P. 1
Apuntes_maestro

Apuntes_maestro

|Views: 25.737|Likes:
Publicado pord-fbuser-47597128

More info:

Published by: d-fbuser-47597128 on Apr 17, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

03/08/2014

pdf

text

original

Sections

  • Tema 1. Fenómenos aleatorios
  • CAPÍTULO I:
  • Fenómenos Aleatorios
  • I.1.- FENÓMENO ALEATORIO. CONCEPTO
  • I.1.1.- Impredecibilidad de los resultados
  • I.1.2.- Repetitividad del fenómeno. Enfoques clásico y bayesiano
  • I.1.3.- Definición de fenómeno aleatorio
  • I.1.4. - Regularidad Estadística
  • I.2. - LA ESTADÍSTICA
  • Tema 2. Conceptos de probabilidad
  • CAPÍTULO II:
  • Concepto de Probabilidad
  • II.1.- INTRODUCCIÓN
  • II.2.- PROBABILIDAD
  • II.2.1.- Probabilidad frecuencialista
  • II.2.2.- Probabilidad objetiva o lógica
  • II.2.3.- Probabilidad subjetiva o bayesiana
  • II.3.- ESPACIOS DE PROBABILIDADES
  • II.3.1.- Espacio Muestral
  • II.3.2.- Definición axiomática de probabilidad
  • II.3.3.- Definición de Espacio de Probabilidades
  • II.4.- PROBABILIZACIÓN DE ESPACIOS MUESTRALES
  • II.4.1.- Espacios Muestrales finitos
  • II.4.2.- Espacios Muestrales infinitos numerables
  • II.4.3.- Espacios Muestrales de la potencia del continuo
  • Tema 3. Probabilidad condicional
  • CAPITULO III
  • Probabilidad Condicional
  • III.1.- INTRODUCCION
  • III.2.- PROBABILIDAD CONDICIONAL
  • III.2.1.- Definición
  • III.2.2.- Propiedades
  • III.3. - TEOREMA DE LA INTERSECCION
  • III.4.- TEOREMA DE LA PARTICIÓN O DE LA PROBABILIDAD TOTAL
  • III.5.- SUCESOS INDEPENDIENTES
  • III.5.1. - Definición
  • III.5.2. - Propiedades
  • III.6. - TEOREMA DE BAYES
  • Tema 4. Variables aleatorias
  • CAPÍTULO IV:
  • Variables Aleatorias Unidimensionales
  • IV.1.- CONCEPTO DE VARIABLE ALEATORIA UNIDIMENSIONAL
  • IV.1.1.-Definición de variable aleatoria unidimensional
  • IV.1.2.- Función de distribución
  • IV.1.3.- Analogía mecánica
  • IV.1.4.- Variables discretas
  • IV.1.5.- Variables continuas
  • IV.2. FUNCIONES DE VARIABLES ALEATORIAS
  • IV.3.- ESPERANZA MATEMÁTICA
  • IV.3.1.- Introducción
  • IV.3.2.- Concepto
  • IV.3.3.- Propiedades
  • IV.4.- MOMENTOS
  • IV.4.1.- Concepto
  • IV.4.2.- Propiedades
  • IV.5.- VARIANZA
  • IV.5.1.- Concepto
  • IV.5.2.- Propiedades
  • IV.6.- TEOREMA DE TCHEBYCHEFF
  • IV.7.- PARÁMETROS DE UNA DISTRIBUCIÓN
  • IV.7.1.- Parámetros de posición
  • IV.7.2.- Parámetros de dispersión
  • IV.7.3.- Parámetros de asimetría
  • IV.7.4.- Parámetros de apuntamiento
  • Tema 5.Variables aleatorias discretas
  • CAPITULO V:
  • Principales Distribuciones Discretas
  • V.1.- VARIABLE DICOTÓMICA
  • V.1.1.- Definición
  • V.1.2.- Valor medio
  • V.1.3.- Varianza
  • V.2.- VARIABLE BINOMIAL
  • V.2.1.- Definición
  • V.2.2.- Ley de probabilidades
  • V.2.3.- Media
  • V.2.4.- Varianza
  • V.2.5.- Adición
  • V.3.- TEOREMA DE BERNOUILLI
  • V.4.- DISTRIBUCION DE POISSON
  • V.4.1.- Definición
  • V.4.2.- Ley de probabilidades
  • V.4.3.- Media
  • V.4.4.- Varianza
  • V.4.5.- Adición
  • V.5.- VARIABLE HIPERGEOMÉTRICA
  • V.5.1.- Definición
  • V.5.2.- Ley de probabilidades
  • V.5.3.- Convergencia
  • V.6.- VARIABLE BINOMIAL NEGATIVA
  • V.6.1.- Definición
  • V.6.2.- Ley de probabilidades
  • V.6.3.- Media y Varianza
  • V.7.- VARIABLE K-ARIA
  • V.7.1.- Definición
  • V.7.2.- Vector de medias y Matriz de varianzas-covarianzas
  • V.8.- VARIABLE MULTINOMIAL
  • V.8.1.- Definición
  • V.8.2.- Ley de probabilidades
  • V.8.3.- Vector de medias y Matriz de varianzas-covarianzas
  • Tema 6. Variables aleatorias continuas unidimensionales
  • CAPITULO VI:
  • Principales distribuciones continuas
  • VI.1.- INTRODUCCION
  • VI.2.- VARIABLE NORMAL TIPIFICADA
  • VI.2.1.- Definición
  • VI.2.2.- Representación gráfica de fZ(z)
  • VI.2.3.- Media y Varianza
  • VI.2.5.- Manejo de tablas
  • VI.2.6.- Nomenclatura
  • VI.3.- DISTRIBUCION NORMAL GENERAL
  • VI.3.1.- Definición
  • VI.3.2.- Función de densidad
  • VI.3.3.- Adición
  • VI.3.5.- Manejo de tablas
  • VI.4.- TEOREMA CENTRAL DEL LIMITE
  • VI.4.1.- Teorema de Lindenberg-Levy
  • VI.5.- APROXIMACIONES DE VARIABLES ALEATORIAS
  • VI.6.- OTRAS VARIABLES CONTINUAS
  • VI.6.1.- Distribución Uniforme
  • VI.6.2.- Distribución Exponencial
  • VI.7.- DISTRIBUCIONES DERIVADAS DE LA NORMAL
  • VI.7.1.- Variable Chi-Cuadrado de Pearson
  • VI.7.2.- Distribucion F de Snedecor
  • VI.7.3.- Variable t de Student
  • Tema 7. Variables aleatorias bidimensionales
  • CAPITULO VII:
  • Variables Aleatorias Bidimensionales
  • VII.1.- DEFINICIÓN
  • VII.2.- FUNCIÓN DE DISTRIBUCIÓN
  • VII.2.1.- Definición
  • VII.2.2.- Propiedades
  • VII.3.- VARIABLES ALEATORIAS BIDIMENSIONALES DISCRETAS Y CONTINUAS
  • VII.4.- DISTRIBUCIONES MARGINALES
  • VII.5.- DISTRIBUCIONES CONDICIONALES
  • VII.5.1. Definición
  • VII.5.2.- Función de distribución condicional
  • VII.5.2.- Función de densidad y ley de probabilidades condicionales
  • VII.5.3. -Teorema de Bayes
  • VII.6.- VARIABLES INDEPENDIENTES
  • VII.7.- MOMENTOS
  • VII.8.2.- Propiedades
  • VII.9.2.- Propiedades
  • VII.10.- REGRESIÓN
  • VII.10.1.- Regresión condicional
  • VII.10.2.- Regresión lineal mínimo cuadrática
  • VII.11.- VARIABLES ALEATORIAS n-DIMENSIONALES
  • Variable Aleatoria Normal
  • Bidimensional
  • VII.1.1.- Variable normal bidimensional tipificada
  • VII.1.2.- Variable normal bidimensional general
  • VII.2.- VECTOR DE VALORES MEDIOS
  • VII.3.2.- Propiedades
  • VII.4.- COEFICIENTE DE CORRELACIÓN
  • VII.4.1.- Definición
  • VII.4.2.- Propiedades
  • VII.5.- INDEPENDENCIA DE VARIABLES ALEATORIAS
  • VII.6.- DISTRIBUCIÓN MARGINAL
  • VII.7.- DISTRIBUCIÓN CONDICIONAL
  • Tema 8. Muestreo
  • CAPITULO VIII:
  • Distribuciones en el Muestreo
  • VIII.1.- INTRODUCCIÓN
  • VIII.2.- POBLACIÓN, MUESTREO Y MUESTRA
  • VIII.3.- ESTADÍSTICOS
  • VIII.4.- DISTRIBUCIONES EN EL MUESTREO
  • VIII.4.1.- Distribución de la media muestral
  • VIII.4.2.- Distribución de la varianza muestral
  • VIII.4.3.- Distribución de la proporción muestral
  • VIII.5.- MUESTREO EN POBLACIONES NORMALES
  • VIII.5.1.- Distribución de la media muestral
  • VIII.5.2.- Distribución de la varianza muestral
  • VIII.5.3.- Distribución conjunta de x y sn-1
  • Tema 9. Inferencia
  • CAPÍTULO IX:
  • Introducción a la Inferencia Estadística
  • IX.1.- INTRODUCCIÓN
  • IX.2.- ESTIMACIÓN DE PARÁMETROS
  • IX.2.1.- Estimación puntual
  • IX.2.2.- Estimación por intervalos de confianza
  • IX.3.- TEST DE HIPÓTESIS
  • IX.3.1.- Errores de 1ª y 2ª especie
  • IX.3.2.- Test de hipótesis paramétricos y no paramétricos
  • IX.3.3.- Tests de hipótesis paramétricos
  • IX.3.4.- Tests de hipótesis no paramétricos
  • 9.4. ANÁLISIS DE LA VARIANZA (I). UN FACTOR CONTROLADO
  • 9.4. Análisis de la varianza (I). Un factor controlado
  • 9.4.1.- GENERALIDADES
  • 9.4.2.- MODELO TEÓRICO. HIPÓTESIS DEL MODELO
  • 9.4.3.- HIPÓTESIS NULA
  • 9.4.5.- TEST F
  • 9.5.2.3.- Hipótesis Nulas
  • Interpretación de Resultados

APUNTES DE MÉTODOS ESTADÍSTICOS 1

ÍNDICE
Tema 1. Fenómenos aleatorios..................................................................................................... 6 CAPÍTULO I:.................................................................................................................................. 7 Fenómenos Aleatorios .................................................................................................................. 7 I.1.- FENÓMENO ALEATORIO. CONCEPTO........................................................................... 8 I.1.1.- Impredecibilidad de los resultados .............................................................................. 8 I.1.2.- Repetitividad del fenómeno. Enfoques clásico y bayesiano...................................... 10 I.1.3.- Definición de fenómeno aleatorio .............................................................................. 11 I.1.4. - Regularidad Estadística ............................................................................................ 11 I.2. - LA ESTADÍSTICA............................................................................................................ 12 Tema 2. Conceptos de probabilidad ........................................................................................... 14 CAPÍTULO II:............................................................................................................................... 15 Concepto de Probabilidad ........................................................................................................... 15 II.1.- INTRODUCCIÓN............................................................................................................. 16 II.2.- PROBABILIDAD .............................................................................................................. 17 II.2.1.- Probabilidad frecuencialista...................................................................................... 17 II.2.2.- Probabilidad objetiva o lógica. .................................................................................. 17 II.2.3.- Probabilidad subjetiva o bayesiana .......................................................................... 18 II.3.- ESPACIOS DE PROBABILIDADES................................................................................ 18 II.3.1.- Espacio Muestral .......................................................................................................... 19 II.3.2.- Definición axiomática de probabilidad.......................................................................... 20 II.3.3.- Definición de Espacio de Probabilidades ................................................................. 22 II.4.- PROBABILIZACIÓN DE ESPACIOS MUESTRALES..................................................... 22 II.4.1.- Espacios Muestrales finitos ...................................................................................... 22 II.4.2.- Espacios Muestrales infinitos numerables................................................................ 23 II.4.3.- Espacios Muestrales de la potencia del continuo..................................................... 24 Tema 3. Probabilidad condicional ............................................................................................... 25 CAPITULO III............................................................................................................................... 26 Probabilidad Condicional............................................................................................................. 26 III.1.- INTRODUCCION............................................................................................................ 27 III.2.- PROBABILIDAD CONDICIONAL................................................................................... 27 III.2.1.- Definición ................................................................................................................. 29 III.2.2.- Propiedades............................................................................................................. 29 III.3. - TEOREMA DE LA INTERSECCION ............................................................................. 30 III.4.- TEOREMA DE LA PARTICIÓN O DE LA PROBABILIDAD TOTAL .............................. 31 III.5.- SUCESOS INDEPENDIENTES ..................................................................................... 33 III.5.1. - Definición ................................................................................................................ 33 III.5.2. - Propiedades............................................................................................................ 34 III.6. - TEOREMA DE BAYES.................................................................................................. 34 Tema 4. Variables aleatorias....................................................................................................... 37 CAPÍTULO IV: ............................................................................................................................. 38 Variables Aleatorias Unidimensionales....................................................................................... 38 IV.1.- CONCEPTO DE VARIABLE ALEATORIA UNIDIMENSIONAL..................................... 39 IV.1.1.-Definición de variable aleatoria unidimensional ....................................................... 39 IV.1.2.- Función de distribución ........................................................................................... 40 IV.1.3.- Analogía mecánica .................................................................................................. 41 IV.1.4.- Variables discretas .................................................................................................. 41

IV.1.5.- Variables continuas ................................................................................................. 43 IV.2. FUNCIONES DE VARIABLES ALEATORIAS ................................................................ 44 IV.3.- ESPERANZA MATEMÁTICA......................................................................................... 46 IV.3.1.- Introducción ............................................................................................................. 46 IV.3.2.- Concepto ................................................................................................................. 47 IV.3.3.- Propiedades ............................................................................................................ 48 IV.4.- MOMENTOS .................................................................................................................. 50 IV.4.1.- Concepto ................................................................................................................. 50 IV.4.2.- Propiedades ............................................................................................................ 50 IV.5.- VARIANZA ..................................................................................................................... 51 IV.5.1.- Concepto ................................................................................................................. 51 IV.5.2.- Propiedades ............................................................................................................ 51 IV.6.- TEOREMA DE TCHEBYCHEFF.................................................................................... 53 IV.7.- PARÁMETROS DE UNA DISTRIBUCIÓN. ................................................................... 54 IV.7.1.- Parámetros de posición........................................................................................... 54 IV.7.2.- Parámetros de dispersión ....................................................................................... 55 IV.7.3.- Parámetros de asimetría ......................................................................................... 55 IV.7.4.- Parámetros de apuntamiento .................................................................................. 56 Tema 5.Variables aleatorias discretas ........................................................................................ 57 CAPITULO V: .............................................................................................................................. 58 Principales Distribuciones Discretas ........................................................................................... 58 V.1.- VARIABLE DICOTÓMICA............................................................................................... 59 V.1.1.- Definición.................................................................................................................. 59 V.1.2.- Valor medio .............................................................................................................. 59 V.1.3.- Varianza ................................................................................................................... 59 V.2.- VARIABLE BINOMIAL .................................................................................................... 59 V.2.1.- Definición.................................................................................................................. 59 V.2.2.- Ley de probabilidades .............................................................................................. 60 V.2.3.- Media ........................................................................................................................ 62 V.2.4.- Varianza ................................................................................................................... 62 V.2.5.- Adición ...................................................................................................................... 63 V.3.- TEOREMA DE BERNOUILLI.......................................................................................... 63 V.4.- DISTRIBUCION DE POISSON....................................................................................... 65 V.4.1.- Definición.................................................................................................................. 65 V.4.2.- Ley de probabilidades .............................................................................................. 65 V.4.3.- Media ........................................................................................................................ 67 V.4.4.- Varianza ................................................................................................................... 67 V.4.5.- Adición ...................................................................................................................... 68 V.5.- VARIABLE HIPERGEOMÉTRICA .................................................................................. 68 V.5.1.- Definición.................................................................................................................. 68 V.5.2.- Ley de probabilidades .............................................................................................. 69 V.5.3.- Convergencia ........................................................................................................... 70 V.6.- VARIABLE BINOMIAL NEGATIVA ................................................................................. 70 V.6.1.- Definición.................................................................................................................. 70 V.6.2.- Ley de probabilidades .............................................................................................. 70 V.6.3.- Media y Varianza...................................................................................................... 71 V.7.- VARIABLE K-ARIA.......................................................................................................... 72 V.7.1.- Definición.................................................................................................................. 72 V.7.2.- Vector de medias y Matriz de varianzas-covarianzas.............................................. 73 V.8.- VARIABLE MULTINOMIAL ............................................................................................. 73

V.8.1.- Definición.................................................................................................................. 73 V.8.2.- Ley de probabilidades .............................................................................................. 74 V.8.3.- Vector de medias y Matriz de varianzas-covarianzas.............................................. 74 Tema 6. Variables aleatorias continuas unidimensionales ......................................................... 76 CAPITULO VI: ............................................................................................................................. 77 Principales distribuciones continuas. .......................................................................................... 77 VI.1.- INTRODUCCION ........................................................................................................... 78 VI.2.- VARIABLE NORMAL TIPIFICADA ................................................................................ 78 VI.2.1.- Definición................................................................................................................. 78 VI.2.2.- Representación gráfica de fZ(z)............................................................................... 78 VI.2.3.- Media y Varianza..................................................................................................... 80 VI.2.5.- Manejo de tablas ..................................................................................................... 80 VI.2.6.- Nomenclatura .......................................................................................................... 80 VI.3.- DISTRIBUCION NORMAL GENERAL........................................................................... 80 VI.3.1.- Definición................................................................................................................. 81 VI.3.2.- Función de densidad ............................................................................................... 81 VI.3.3.- Adición..................................................................................................................... 82 VI.3.5.- Manejo de tablas ..................................................................................................... 82 VI.4.- TEOREMA CENTRAL DEL LIMITE............................................................................... 83 VI.4.1.- Teorema de Lindenberg-Levy ................................................................................. 83 VI.5.- APROXIMACIONES DE VARIABLES ALEATORIAS ................................................... 83 VI.6.- OTRAS VARIABLES CONTINUAS ............................................................................... 86 VI.6.1.- Distribución Uniforme .............................................................................................. 86 VI.6.2.- Distribución Exponencial ......................................................................................... 87 VI.7.- DISTRIBUCIONES DERIVADAS DE LA NORMAL....................................................... 89 VI.7.1.- Variable Chi-Cuadrado de Pearson ........................................................................ 89 VI.7.2.- Distribucion F de Snedecor ..................................................................................... 93 VI.7.3.- Variable t de Student ............................................................................................... 94 Tema 7. Variables aleatorias bidimensionales............................................................................ 97 CAPITULO VII: ............................................................................................................................ 98 Variables Aleatorias Bidimensionales ......................................................................................... 98 VII.1.- DEFINICIÓN ................................................................................................................. 99 VII.2.- FUNCIÓN DE DISTRIBUCIÓN..................................................................................... 99 VII.2.1.- Definición................................................................................................................ 99 VII.2.2.- Propiedades ........................................................................................................... 99 VII.3.- VARIABLES ALEATORIAS BIDIMENSIONALES DISCRETAS Y CONTINUAS....... 100 VII.4.- DISTRIBUCIONES MARGINALES............................................................................. 101 VII.5.- DISTRIBUCIONES CONDICIONALES....................................................................... 103 VII.5.1. Definición ............................................................................................................... 103 VII.5.2.- Función de distribución condicional ..................................................................... 103 VII.5.2.- Función de densidad y ley de probabilidades condicionales ............................... 104 VII.5.3. -Teorema de Bayes ............................................................................................... 105 VII.6.- VARIABLES INDEPENDIENTES ............................................................................... 106 VII.7.- MOMENTOS ............................................................................................................... 107 VII.8.- MATRIZ DE VARIANZAS COVARIANZAS ................................................................ 108 VII.8.1.- Definición.............................................................................................................. 108 VII.8.2.- Propiedades ......................................................................................................... 108 VII.9.- COEFICIENTE DE CORRELACIÓN .......................................................................... 108 VII.9.1.- Definición.............................................................................................................. 108 VII.9.2.- Propiedades ......................................................................................................... 109

VII.10.- REGRESIÓN............................................................................................................. 109 VII.10.1.- Regresión condicional ........................................................................................ 109 VII.10.2.- Regresión lineal mínimo cuadrática ................................................................... 110 VII.11.- VARIABLES ALEATORIAS n-DIMENSIONALES .................................................... 115 CAPITULO VII: .......................................................................................................................... 118 Variable Aleatoria Normal ......................................................................................................... 118 Bidimensional ............................................................................................................................ 118 VII.1.1.- Variable normal bidimensional tipificada .............................................................. 120 VII.1.2.- Variable normal bidimensional general ................................................................ 121 VII.2.- VECTOR DE VALORES MEDIOS.............................................................................. 123 VII.3.- MATRIZ DE VARIANZAS COVARIANZAS ................................................................ 124 VII.3.1.- Definición.............................................................................................................. 124 VII.3.2.- Propiedades ......................................................................................................... 124 VII.4.- COEFICIENTE DE CORRELACIÓN .......................................................................... 125 VII.4.1.- Definición.............................................................................................................. 125 VII.4.2.- Propiedades ......................................................................................................... 125 VII.5.- INDEPENDENCIA DE VARIABLES ALEATORIAS.................................................... 125 VII.6.- DISTRIBUCIÓN MARGINAL ...................................................................................... 127 VII.7.- DISTRIBUCIÓN CONDICIONAL ................................................................................ 127 Tema 8. Muestreo ..................................................................................................................... 129 CAPITULO VIII: ......................................................................................................................... 130 Distribuciones en el Muestreo ................................................................................................... 130 VIII.1.- INTRODUCCIÓN ....................................................................................................... 131 VIII.2.- POBLACIÓN, MUESTREO Y MUESTRA.................................................................. 132 VIII.3.- ESTADÍSTICOS......................................................................................................... 133 VIII.4.- DISTRIBUCIONES EN EL MUESTREO.................................................................... 134 VIII.4.1.- Distribución de la media muestral. ...................................................................... 135 VIII.4.2.- Distribución de la varianza muestral. .................................................................. 136 VIII.4.3.- Distribución de la proporción muestral. ............................................................... 138 VIII.5.- MUESTREO EN POBLACIONES NORMALES. ....................................................... 138 VIII.5.1.- Distribución de la media muestral. ...................................................................... 139 VIII.5.2.- Distribución de la varianza muestral. .................................................................. 140 VIII.5.3.- Distribución conjunta de x y sn-1 ........................................................................ 140 Tema 9. Inferencia .................................................................................................................... 141 CAPÍTULO IX: ........................................................................................................................... 142 Introducción a la Inferencia Estadística .................................................................................... 142 IX.1.- INTRODUCCIÓN ......................................................................................................... 144 IX.2.- ESTIMACIÓN DE PARÁMETROS. ............................................................................. 145 IX.2.1.- Estimación puntual ................................................................................................ 145 IX.2.2.- Estimación por intervalos de confianza................................................................. 147 IX.3.- TEST DE HIPÓTESIS.................................................................................................. 150 IX.3.1.- Errores de 1ª y 2ª especie..................................................................................... 151 IX.3.2.- Test de hipótesis paramétricos y no paramétricos................................................ 151 IX.3.3.- Tests de hipótesis paramétricos............................................................................ 151 IX.3.4.- Tests de hipótesis no paramétricos....................................................................... 162 9.4. Análisis de la varianza (I). Un factor controlado................................................................. 171 9.4.1.- GENERALIDADES......................................................................................................... 172 9.4.2.- MODELO TEÓRICO. HIPÓTESIS DEL MODELO ........................................................ 173 9.4.3.- HIPÓTESIS NULA ......................................................................................................... 175 9.4.5.- TEST F ........................................................................................................................... 176

9.4.6.- COMPARACIÓN DE MEDIAS. TEST L.S.D. (diferencia mínima significativa) ............. 176 9.5.1.- INTRODUCCIÓN. PLANES FACTORIALES................................................................. 179 9.5.2.- ANOVA PARA DOS FACTORES CON REPETICIONES ............................................. 179 9.5.2.1.- Concepto de Interacción ............................................................................................. 179 9.5.2.2.- Modelo y supuestos teóricos ...................................................................................... 181 9.5.2.3.- Hipótesis Nulas ........................................................................................................... 182 9.5.2.4.- Descomposición de las Sumas de Cuadrados. Test F............................................... 182 9.5.2.5.- Comparación de Medias. Test L.S.D. ......................................................................... 182 Interpretación de Resultados .................................................................................................... 184

Tema 1. Fenómenos aleatorios

CAPÍTULO I: Fenómenos Aleatorios .

no parece descabellado pensar que es posible. según la definición que hemos establecido de fenómeno aleatorio. cuando se conocen las condiciones en que ocurre el fenómeno y la ley que lo rige. en general. lo constituyen los llamados fenómenos aleatorios. CONCEPTO El objeto central del cálculo de probabilidades y de la Estadística. En consecuencia. analizando la distribución de masas y los impulsos a los que está sometido el lanzamiento de un dado. desarrollar un modelo mecánico que permita conocer de antemano cual va a ser el resultado del lanzamiento de ese dado. En el sentido contrario. son aquellos fenómenos reales que se caracterizan por la impredecibilidad de sus resultados y por la llamada regularidad estadística. lógico que comencemos por analizar a éstos aunque sólo sea someramente.. I. los fenómenos aleatorios podrían ser producto de nuestra ignorancia. estableció el llamado Principio de Indeterminación o de Incertidumbre que establece que es imposible una determinación unívoca de la posición y de I. es evidente que. Ahora bien. realizaciones de fenómenos aleatorios. son resultados impredecibles y. se puede conocer unívocamente el resultado que se presentará en una realización concreta del mismo. por tanto.8 .FENÓMENO ALEATORIO.1. Parece. Los fenómenos aleatorios. es completamente imposible predecir con exactitud cual será el número de accidentes que ocurrirán en las carreteras españolas el próximo fin de semana o los litros de agua de lluvia que se recogerán por m2 en un determinado observatorio meteorológico a lo largo del próximo año.1. podemos predecir con absoluta certeza que su posición. en contraposición con los fenómenos regidos por leyes deterministas. si conocemos la situación inicial e0 de un cuerpo que se mueve en línea recta con velocidad constante v. Así. pues.Capítulo I: Fenómenos aleatorios I.. la primera pregunta respecto a la impredecibilidad de los fenómenos aleatorios: ¿Son impredecibles porque no podemos o porque no sabemos predecir sus resultados?. los eclipses de sol serían resultados de un fenómeno aleatorio si no conociéramos las leyes que rigen el movimiento de la Tierra alrededor del Sol y de la Luna alrededor de la Tierra. El llamado azar ¿no será una forma de justificar nuestra ignorancia o desconocimiento del fenómeno en cuestión? En 1927 Heisemberg. por tanto. por ejemplo. En los fenómenos deterministas. Surge. y desde este punto de vista. respecto a la referencia tomada. la duración de una bombilla o la longitud de un tornillo recién fabricado.1. pues aquéllos serían impredecibles.Impredecibilidad de los resultados El número obtenido al lanzar un dado. después de un tiempo t será: e=eo+v·t Por el contrario.

1. Llamaremos A al área comprendida entre las rectas x=a y x=b y situada entre y=k1 y la función. Por último. Heisemberg demostró que: Δp ⋅ Δq ≥ en la que h es la constante de Planck ( h=6. Llamaremos B al área delimitada por x=a.1). respectivamente.Capítulo I: Fenómenos aleatorios la cantidad de movimiento de una partícula atómica. a la cota inferior y a la cota superior de f(x) en el intervalo [a.b]. y=k2 e y=k1. y llamamos: I. x=b. En consecuencia: I= ∫ f (x) ⋅ dx = (b − a) ⋅ k + p ⋅ (b − a) ⋅ (k b a 1 2 − k1 ) Si extraemos al azar n puntos del recinto A∪B y ν es el número de veces que ocurre A. la probabilidad de que ocurra cualquier suceso de este recinto es proporcional a su área. En consecuencia se cumplirá que: P(A)+P(B)=1 Area( A ) Area( A ) p= = Area( A ) + Area(B) (b − a)(k 2 − k1 ) y k2 B A k1 a b x y=f(x) Figura I.26x10-27 ergios· seg-1). y=k2 y la función (Figura I. Si extraemos puntos al azar (equiprobables) del recinto delimitado por x=a. Las relaciones de incertidumbre de Heisemberg imponen en la microfísica la sustitución de las leyes deterministas por predicciones estadísticas. x=b. Si se representa por Δp a la imprecisión en la determinación de la posición de una partícula y mediante Δq a la imprecisión en la determinación de la cantidad de movimiento de la misma partícula.9 . consideremos la integral: h 2π ∫ f (x) ⋅ dx b a Llamaremos k1 y k2.

1 con una probabilidad mayor del 99 por ciento.Capítulo I: Fenómenos aleatorios f= ν n el teorema de Bernouilli. cometiendo un error menor que 0. que será expuesto más adelante. Esto permite hablar de la probabilidad de que al realizarse el fenómeno aleatorio ocurra un determinado suceso.I* y tomando valores absolutos. I. Lo cual significa que si extraemos al azar 2500 puntos del recinto A∪B y calculamos la frecuencia relativa con que ocurre A. I.5 4 Si α=10 y ε=10 . P [ f −p ≥ ε ≤ ] 1 4 ⋅ ε2 ⋅ n en consecuencia: es decir: P I − I * ≥ ε = P p − f ⋅ (b − a ) ⋅ (k 2 − k 1 ) ≥ ε [ ] [ ] ⎡ ⎤ ε P I − I * ≥ ε = P⎢ p − f ≥ (b − a) ⋅ (k 2 − k1 )⎥ ⎣ ⎦ [ ] de donde.2.. al menos. por el teorema de Bernouilli: P I−I* ≥ ε ≤ [ ) ] (b − a4 ⋅ ⋅n(kε − k ) ⋅ 2 2 1 2 2 ≤α Fijando α y ε. con a-b = k1-k2 = 1 entonces es n≥2500. la posibilidad de efectuar una realización del mismo.10 . mediante I* podemos calcular aproximadamente I.Repetitividad del fenómeno. simplemente no queremos (caso de la integral) predecir sus resultados. hemos visto que la impredecibilidad de un fenómeno aleatorio puede ser debida a que no sabemos (caso del dado). Enfoques clásico y bayesiano La impredecibilidad de los resultados implica la posibilidad de repetir el fenómeno o.1. b. permite estimar I mediante: I* =(b -a)·k1+f·(b -a)·(k2 -k1) restando I .1: La integral 5 ∫ x ⋅ dx = 4. tal y como se explica en capítulos posteriores. podemos escribir: ∀ ε ∈ ℜ+ . ⎪I -I*⎪ =⎪p -f⎪·(b -a)·(k2 -k1) Por los Teoremas de Bernouilli y de Tchebycheff. y conocidos a. -2 -1 En los párrafos anteriores. k1 y k2. podemos calcular n mediante: n≥ (b − a)2 ⋅ (k 2 − k1 )2 4 ⋅ ε2 ⋅ α Ejemplo I. no podemos (caso de la microfísica) o.

en general. también es posible estudiar eficazmente los grados de veracidad o de creencia personal de cualquier proposición lógica. por ejemplo. como acabamos de ver: Existen fenómenos repetitivos cuyos resultados no se pueden predecir.4. En el enfoque bayesiano. es posible hablar de la probabilidad de que. El primer enfoque es el clásico o frecuencialista que necesita de la posibilidad de repetición del fenómeno aleatorio. por lo que a este enfoque también se le llama subjetivista. de la forma que será precisada más adelante. o bien son numerosas las causas que influyen en el resultado y no es posible mantener constantes a todas ellas. a todos ellos.1. la probabilidad frecuencialista puede ser contemplada como un caso particular de la probabilidad bayesiana. dando un enfoque bayesiano a nuestro problema. es posible hablar de la probabilidad de que sea verdadera cualquier proposición (en el sentido de la lógica matemática). Pero además. la probabilidad puede asimilarse al grado de verdad o de creencia que un determinado individuo tiene sobre una cierta proposición. I. aunque tradicionalmente los fenómenos aleatorios eran el objeto del estudio de la Estadística.Definición de fenómeno aleatorio Bajo la denominación de fenómenos aleatorios designaremos a cualquier fenómeno que pueda ser objeto de estudio probabilístico o de inferencia estadística. en general. mediante el que se puede hablar de probabilidad o grado de veracidad de ciertas proposiciones. Desde esta óptica. por tanto.1.3. Debemos hacer notar que si el fenómeno es repetitivo y medimos nuestro grado de creencia o de verdad a través de la frecuencia con que hemos observado la realización de un determinado suceso. no se obtiene el mismo resultado. I. a la frecuencia con la que ocurre un determinado suceso. aunque es evidente que ello no es el resultado de la realización de un fenómeno aleatorio y. En resumen. Ello es debido a que. o bien hay pocas causas que influyen en el resultado pero que pequeñas variaciones en las mismas producen grandes modificaciones en éste. En el enfoque clásico. exista vida en Marte. estamos probabilizando un suceso frecuencialista de forma subjetiva y. En consecuencia: I.11 .. El segundo enfoque es el bayesiano. .Capítulo I: Fenómenos aleatorios Actualmente. mediante la Estadística bayesiana. se les aplica fértilmente las leyes de la Estadística. la probabilidad puede asimilarse.Regularidad Estadística Cuando realizamos varias repeticiones “independientes” de un fenómeno aleatorio bajo las “mismas condiciones”. otros que no sabemos predecir y otros que aunque podemos y sabemos renunciamos voluntariamente a su predicción y.

2. es decir. no basta con desarrollar una teoría. contrastarla con la realidad. cuando n crece. condiciones ambientales. Si. .Capítulo I: Fenómenos aleatorios Sobre la duración de una bombilla influyen numerosas causas como: características constructivas.Definición de Regularidad Estadística Cuando la frecuencia relativa de cada uno de los posibles resultados de un fenómeno aleatorio “tiende” a estabilizarse alrededor de un cierto valor.1. ν a la frecuencia absoluta. Estos axiomas se construyen extrayéndolos de las regularidades que se observan en el fenómeno sobre el que estamos desarrollando una teoría. etc. y fr a la frecuencia relativa de A. el científico llega a demostrar determinadas proposiciones que son verdaderas en el contexto de la teoría. en la medida en que los axiomas son ciertos y en la medida en que las deducciones han sido realizadas correctamente. es decir. que determinan la duración de la misma. calidad de los materiales empleados. o sea: fr = ν n Por definición de fenómeno aleatorio. El ángulo que forma la aguja de una ruleta con una determinada dirección al detenerse. es decir. “mismas condiciones” y “tienden”) tienen aquí un cierto carácter ambiguo que será precisado más adelante. es posible desarrollar una teoría científica sobre un fenómeno real.12 . Si las proposiciones demostradas son realmente propiedades encontradas en el fenómeno estudiado. Si llamamos n al número de repeticiones de un experimento aleatorio. la teoría se muestra como correcta y es utilizable. .4. además. fr “tiende” a estabilizarse alrededor de un cierto número. el investigador parte de una serie de proposiciones aceptadas como verdaderas y que constituyen el llamado Sistema Axiomático. Las palabras entrecomilladas (“independientes”. diremos que el fenómeno en cuestión posee regularidad estadística. Pues bien: I. existen discrepancias I. El desarrollo científico y tecnológico se realiza recorriendo dos caminos posibles: la deducción y la inducción. sino que. En el primer caso. está influido por el impulso comunicado de manera que pequeñas variaciones en este impulso pueden dar lugar a resultados diametralmente opuestos. De esta forma.. es necesario validarla. condiciones de uso. por el contrario.LA ESTADÍSTICA Esta ciencia se ha formado de la conjunción de otras dos que en el tiempo evolucionaron independientemente: La Teoría de las Probabilidades y la Inferencia Estadística. cuando el número de repeticiones crece indefinidamente. al número de veces que ocurre un determinado suceso A asociado a dicho experimento.1. Esta propiedad es fundamental para definir el concepto de probabilidad en el enfoque frecuencialista. I. A partir de estos axiomas y mediante la aplicación de una lógica deductiva. Sin embargo.

de la inducción. un determinado tipo de neumáticos hasta que sufran un determinado desgaste. No es posible deducir cual es el número de tornillos de un lote que resistirán a un determinado esfuerzo de rotura por cizallamiento. contrastar los axiomas. de forma inductiva. I. la Estadística juega un importante papel como interfase entre la teoría y la realidad. Las dos partes de que consta la Estadística recorren caminos opuestos: El Cálculo de Probabilidades (o mejor. que. Ríos 1952). por termino medio.Capítulo I: Fenómenos aleatorios entre los hechos reales y los teóricos. Permite. Es indudable que el paso de lo particular a lo general está sometido a un riesgo de error.13 . se ocupa. La Inferencia Estadística. mediante el estudio de una muestra de tornillos. En este sentido diremos que: La Estadística puede considerase como la Tecnología del Método Científico (S. Pero no siempre es posible proceder de esta elegante forma deductiva. así mismo. modificándolo o. simplemente. es decir. pues permite contrastar las proposiciones deducidas con las observaciones del fenómeno y permite. completándolo. sino que se procede en sentido contrario. por ejemplo. podamos inferir al total de la partida la proporción de ellos que son defectuosos. En las ciencias experimentales. Tampoco es posible deducir cuantos kilómetros recorrerá. El Cálculo de Probabilidades es un modelo teórico que se elabora a partir de un sistema axiomático (completo. la Teoría de Probabilidades) es deductivo. el sistema axiomático debería ser revisado. Precisamente. no redundante y no contradictorio) desarrollado por Kolmogoroff. no se suele pasar de lo general (axiomas) a lo particular (teoremas) mediante un proceso deductivo. precisamente. la Inferencia Estadística es inductiva. pasando de lo particular a lo general. La Inferencia Estadística permite cuantificar en términos de probabilidad ese riesgo de error.

14 .Capítulo I: Fenómenos aleatorios Tema 2. Conceptos de probabilidad I.

CAPÍTULO II: Concepto de Probabilidad .

proposiciones. se rechazará la partida. Vimos que existen fenómenos. simplemente caros y que. II. El objeto del Cálculo de Probabilidades consiste. simplemente no queremos predecir cuál será su resultado. no obstante. por su experiencia pasada. bien extraída de nuestra experiencia pasada.. de tal forma que cada una de ellas puede ser clasificada como buena o como defectuosa. confía en la calidad que le suministra habitualmente el proveedor y. partidas de una pieza determinada para ser montada en los automóviles de un cierto modelo. en medir el grado de certidumbre de algunos sucesos. adquiere a un cierto proveedor. por su parte.1. analizar un pequeño número de piezas. b) El comprador y el vendedor acuerdan mediante contrato. cualquier lote que le suministre el vendedor. experimentos. hemos estudiado el tipo de fenómenos que eran objeto de la Estadística. Ante una partida concreta caben una serie de actitudes: a) El comprador. Supongamos también que los ensayos para clasificar a una pieza son destructivos o. acepta. El comprador quisiera que en cada partida no hubiera ninguna pieza defectuosa. pero desearía rechazar las partidas que tuvieran un número de piezas defectuosas superior a un cierto umbral. por tanto. Según el tipo de enfoque que se adopte. Si de ellas 1 o más son defectuosas. probabilidades intermedias representan grados de certidumbre intermedios. de tal forma que un suceso cierto tiene una probabilidad igual a 1 y un suceso imposible tiene una probabilidad nula. en general. pero puede que ésta no sea total.INTRODUCCIÓN En el capítulo anterior. tendremos alguna información. El vendedor. o bien extrayéndola experimentando con el fenómeno en estudio.Capítulo II: Concepto de Probabilidad II. en las que no podemos. Si las 20 piezas muestreadas son correctas se aceptará la partida. sin más. Las piezas deben cumplir unas especificaciones de calidad. para fijar ideas supongamos que 20 piezas. Esta información hace que nuestra incertidumbre sobre el resultado del fenómeno aleatorio no sea total. o. en consecuencia. Antes de entrar en estas interpretaciones vamos a exponer un ejemplo que nos introduzca en esta problemática: Una empresa fabricante de automóviles.16 . precisamente. no sabemos. los conceptos de probabilidad y de incertidumbre podrán tener diferentes interpretaciones. Es cierto que en éstas situaciones la incertidumbre existe. es decir. que. partidas con unas pocas piezas defectuosas podrían ser aceptadas. etc. una inspección de todas las piezas de la partida no es posible o no es conveniente por su elevado costo. quisiera que las partidas con ninguna o pocas piezas defectuosas no fueran rechazadas.

II.2. Venn definió la probabilidad de un suceso como: “El valor alrededor del cual se estabiliza la frecuencia relativa de un suceso cuando el número de repeticiones independientes de la experiencia a la que va asociado crece indefinidamente”. es superior o igual al 90%. Sin embargo.9% o más de defectuosas.Probabilidad frecuencialista La concepción clásica de la probabilidad dada por Laplace.Probabilidad objetiva o lógica. como cociente entre casos favorables y casos posibles presenta problemas bien conocidos. la probabilidad es objetiva o frecuencialista. utiliza su experiencia pasada para determinar que es muy probable que el lote concreto que le está presentando el vendedor sea de un nivel de calidad aceptable.PROBABILIDAD Aunque hoy en día hay un acuerdo total sobre las propiedades matemáticas que debe reunir el ente abstracto que denominamos “probabilidad”. En el segundo caso.2. En el caso b). más conocido en el campo de la teoría económica. dejando fuera del mismo numerosas áreas en las que se presentan realmente situaciones de incertidumbre que deberían poder ser cuantificadas y tratadas en el contexto de la ciencia estadística. En el año 1921. esta concepción frecuencialista. de que aparezcan.2. En esta concepción.1. se define la probabilidad como II. II. es decir. la probabilidad de que al extraer 20 piezas al azar todas ellas sean correctas es igual o superior al 99%. el comprador. se ha hecho uso de una probabilidad subjetiva. una pieza defectuosa de entre las 20 muestreadas.. En 1928. el Cálculo de Probabilidades nos dice que si un lote de gran tamaño tiene un 5 por mil o menos de unidades defectuosas. entre ellos el de no aplicabilidad a una amplia gama de problemas reales. Von Mises formalizó rigurosamente esta concepción frecuencialista de la probabilidad. consciente o inconscientemente. II.2. la concepción lógica también denominada objetiva. aparte de otras posibles criticas. el matemático inglés John Maynard Keynes. un profundo desacuerdo respecto a lo que el término “probabilidad” significa en cuanto a su aplicación a los problemas reales y concretamente a la Inferencia Estadística. existe sin embargo. en su tesis doctoral propone una nueva concepción de la probabilidad.. al menos. En 1866.17 ..Capítulo II: Concepto de Probabilidad En el caso a). la probabilidad de rechazar el lote. En el primer caso. y que si el lote tiene un 10. reduce el ámbito de aplicación de la probabilidad exclusivamente a fenómenos o experiencias repetitivas.

Esta probabilidad que puede parecer poco científica. Por ello. presenta la ventaja de que si el fenómeno es susceptible de repetición. la información subjetiva “a priori” va pesando menos. II. como algo intrínseco de la proposición a que se refiere. con lo que dos individuos que partieran de probabilidades subjetivas “a priori” diferentes. es también denominada Bayesiana debido al papel clave que tiene el teorema de Bayes en esta teoría. Las cosas ocurren de tal forma.. II. a medida que ésta última es mayor. pues permite estudiar aquellos fenómenos a los que no es de aplicación la probabilidad frecuencialista. Esta concepción subjetiva de la probabilidad. La concepción lógica de Keynes admitía la posible existencia de probabilidades que fueran solo parcialmente ordenables. a medida que se va obteniendo más información objetiva. Esta concepción fue desarrollada posteriormente por Jeffreys. dependerá de la información de que disponga de manera que dos personas con información distinta asignarán probabilidades distintas a un mismo suceso. cuyo principal exponente es De Finetti. en la concepción subjetiva.. Pero.3.Capítulo II: Concepto de Probabilidad “el grado de evidencia de una proposición cualquiera” lo que permite abarcar situaciones mucho más generales que las contempladas en los enfoques clásicos o frecuencialistas. además. para transformarla en probabilidad “a posteriori”.Probabilidad subjetiva o bayesiana Mientras que en la concepción lógica la probabilidad tiene un carácter objetivo.2. no es tal.3. porque cada vez es menor el peso relativo de la información “a priori”. que. compañero de Keynes en Cambridge para quien sus probabilidades expresan también grados de evidencia pero son siempre ordenables y tienen carácter numérico. la probabilidad se define como “el grado de creencia personal en la veracidad de una proposición” y puede variar de un sujeto a otro. las probabilidades “a posteriori” irían siendo cada vez más próximas.18 .ESPACIOS DE PROBABILIDADES II. también se define la probabilidad subjetiva como “aquélla que se determina en base a la experiencia personal de quien la establece”. mediante el Teorema de Bayes (que será estudiado más adelante) se puede incorporar a la probabilidad subjetiva “a priori” la información extraída de las repeticiones del fenómeno. El valor que cada sujeto asigne a esta medida de incertidumbre. lo que significa que no todos los grados de evidencia son numéricamente medibles. y que utilizaran la misma información objetiva.

3. aplicable a cualquiera que sea la concepción que de ésta se tenga. II.1.Espacio Muestral El primer elemento a considerar es el de los posibles resultados del fenómeno en estudio ó el conjunto de las posibles hipótesis a establecer sobre nuestras proposiciones.1.Sucesos Denominaremos suceso a todo subconjunto del Espacio Muestral E. también todos los sucesos que contienen al número 4. Si la experiencia consiste en extraer al azar una pieza recién fabricada y medir una de sus dimensiones. Si la experiencia consiste en lanzar un dado y el resultado es el número de puntos que obtenemos. el Espacio Muestral es infinito no numerable. Al Espacio Muestral lo designaremos por E.. el Espacio Muestral es finito y consta de 6 elementos. Si la experiencia consiste en lanzar una moneda al aire y el resultado es el número de veces que es necesario lanzarla hasta obtener por primera vez cara.Capítulo II: Concepto de Probabilidad En este apartado vamos a formalizar el concepto matemático y.2.6} Si al lanzar el dado sale el número 4.. si la experiencia consiste en lanzar un dado y el suceso A está constituido por los números pares es: A={2. abstracto. lógicamente.1. Diremos que ha ocurrido el suceso A si el resultado es un elemento de A.3.. de probabilidad.Clasificación Los Espacios Muestrales pueden ser: finitos. por tanto. Previamente. Llamaremos suceso elemental al constituido por un sólo elemento de E y suceso compuesto a cualquier subconjunto de E constituido por más de un elemento. II.19 .3.1. es decir: {A es un suceso} ↔ {A ∈ P(E)} en la que P(E) es el conjunto de las partes de E. definiremos los elementos que intervienen en esta definición. ha ocurrido A y.. Por ejemplo.3. II. el Espacio Muestral es infinito numerable. II.4. II. Seguiremos el sistema axiomático establecido por Kolmogoroff en 1933.3.1. infinitos numerables e infinitos no numerables ó de la potencia del continuo. al conjunto de sus posibles resultados.Definición Llamaremos Espacio Muestral de un fenómeno aleatorio.

Definición axiomática de probabilidad II.. diremos que la aplicación P:F → ℜ es una probabilidad.Propiedades a) Probabilidad del suceso contrario Como A ∪ A =E y A ∩ A =∅.1.. A2.1. el número de sucesos es 2n. El suceso imposible.Axiomas Dado un Espacio Muestral E y una σ-álgebra F. Sin embargo. por razones que serán expuestas más adelante... el conjunto vacío ∅.. .Estructura de la clase de sucesos Es conocido que la cuaterna { P(E). basta que se cumplan las dos siguientes condiciones: a) {∀ (A1. II. lógicamente. II. lógicamente. ∪.Capítulo II: Concepto de Probabilidad El suceso cierto. siga teniendo estructura de Álgebra de Boole. es decir.. ∩. . por los axiomas A2 y A3: P(A)+P( A )=P(E)=1 de donde: P( A ) = 1 − P( A ) II. . el suceso que nunca puede ocurrir es.3. A2) ∈ F } → {(A1∪A2) ∈ F } b) {∀ A ∈ F } → { A ∈ F } Si la primera condición se cumple para todo conjunto numerable de sucesos es decir: ∞ a’) {∀ (A1.2. A2. pero es conveniente que la clase de los sucesos probabilizables. An. el suceso que siempre ocurre es.. ¯} tiene estructura de Álgebra de Boole. An... . establecidos por Kolmogoroff : A1) ∀ A ∈ F es P(A)≥0 A2) P(E)=1 A3) ∀ (A1. Si el Espacio Muestral E es finito y tiene n sucesos elementales. si cumple los tres siguientes axiomas.. Para ello. el Espacio Muestral E. que designaremos por F.3.2...2. no siempre es posible probabilizar a todos los elementos de P(E).) ∈ F } → ⎧U A i ∈ F⎫ ⎬ ⎨ ⎩ i =1 ⎭ entonces F tiene estructura de σ-álgebra.3. A i I A j = ∅ es P ⎛ U A i ⎞ = ∑ P( A i ) ⎜ ⎟ i≠ j ⎝ i ⎠ i II...4. es decir.) ∈ F.20 .2.3.

es: B=A∪( A ∩B) y A∩( A ∩B)=∅ por el axioma A3: por el axioma A1 es: de donde: P(B)=P(A)+P( A ∩B) P( A ∩B)≥0 { B ⊃ A} → { P(B) ≥ P( A )} d) Como corolario. Se cumple: A∪B=A∪( A ∩B) y A∩( A ∩B)=∅ por el axioma A3: P(A∪B)=P(A)+P( A ∩B) II.21 .Capítulo II: Concepto de Probabilidad b) Como corolario: P(∅ ) = 1 − P(E) = 0 c) Si {B⊃A}→{P(B)≥P(A)} Gráficamente: E A∩B A B Figura II.2. En efecto. Consideremos dos sucesos A y B. por ser ∅ ⊂ A ⊂ E y por el axioma A2 y la propiedad b): ∀A ∈F 0 ≤ P(A) ≤ 1 e) Probabilidad de la reunión E B A A∩B A∩B Figura II.1.

II. pero que sus recíprocos no son ciertos. la probabilidad de que salga una de sus caras prefijada a priori es 1/6.. Si lanzamos ahora una esfera. (poliedro regular de 20 caras) la probabilidad anterior es ahora 1/20.Definición de Espacio de Probabilidades A la terna {E.22 . La probabilidad es nula y el suceso no es imposible.PROBABILIZACIÓN DE ESPACIOS MUESTRALES II.Espacios Muestrales finitos En este tipo de Espacios Muestrales. bastará con hacer corresponder a cada suceso elemental una probabilidad. P(E) = P ⎛ U a ⎞ = ∑ P(a) = 1 ⎜ ⎟ ⎝ a∈E ⎠ a∈E II. se obtiene: P( A ∪ B∪ C) = P( A ) + P(B) + P(C) − P( A ∩ B) − P( A ∩ C) − P(B ∩ C) + P( A ∩ B∩ C) Generalizando esta propiedad: n n n n −1 n P ⎛ U A i ⎞ = ∑ P( A i ) − ∑ ∑ P( A i ∩ A j ) + . Si en lugar de lanzar un dado (que es un cubo) lanzáramos un icosaedro.4. P } se denomina Espacio de Probabilidades. Si lanzamos un dado perfectamente equilibrado.1.. II. F. por otra parte es: B=(A∩B)∪( A ∩B) y (A∩B)∩( A ∩B)=∅ por el axioma A3: de donde: P( A ∩B)=P(B)-P(A∩B) sustituyendo: P( A ∪ B) = P( A ) + P(B) − P( A ∪ B) P(B)=P(A∩B)+P( A ∩B) Aplicando esta ecuación al suceso A∪B∪C. sin embargo.3. el suceso no sea imposible. Se deberá respetar la condición de que la suma de las probabilidades de los sucesos elementales sea igual a la unidad.. Bastará con que encontremos un ejemplo en el que la probabilidad de un suceso sea nula y. Entonces. y que si el suceso es imposible su probabilidad es nula.. + ( −1)n +1 ⋅ P ⎛ I A i ⎞ ⎜ ⎟ ⎜ ⎟ i =1 j = i + 1 ⎝ i =1 ⎠ i =1 ⎝ i =1 ⎠ Debemos hacer notar que si el suceso es cierto su probabilidad es 1.3. la probabilidad de que se apoye en un punto concreto es 1/∞ = 0.4. la probabilidad de cualquier suceso compuesto será la suma de las probabilidades de los sucesos elementales que lo constituyen..Capítulo II: Concepto de Probabilidad como.

lógicamente..Capítulo II: Concepto de Probabilidad Si todos los sucesos elementales son igualmente probables. El cálculo de las probabilidades de algunos sucesos requerirá la suma de una serie. es decir. 4. obtener una cara por primera vez en una tirada impar: II.Espacios Muestrales infinitos numerables La probabilización de este tipo de Espacios se efectúa de la misma forma que en el apartado anterior. 6} la probabilidad de A será: P(A)=P(2)+P (4)+P(6)=1/6+1/6+1/6=3/6=1/2 Del mismo modo podría obtenerse la probabilidad de cualquier otro suceso asociado a la experiencia aleatoria descrita. .. A={2. 3.2. 6} Como todos los resultados son igualmente probables. como P(E)=1. Por ejemplo. supongamos que realizamos una experiencia cuyo resultado es el número de veces que hay que lanzar al aire una moneda hasta obtener por primera vez una cara. será P(A)=υ/n. 2. Evidentemente. Si consideramos el suceso A= tirada par. no son iguales entre sí y.... 2. y. en este caso el Espacio Muestral no puede ser simétrico ó de elementos equiprobables. y el número de elementos de E es n...4. 2·n.. n. 5. .} Designemos genéricamente por X a un elemento de E. la probabilidad de un suceso elemental será 1/n y si el suceso A tiene υ elementos. Las probabilidades elementales serán: P(X = υ ) = 1 2υ Obsérvese que las probabilidades elementales. Calculemos algunas probabilidades: P(E) = ∑2 i =1 ∞ 1 υ = 1/ 2 =1 1− 1 / 2 Si el suceso A es obtener una cara por primera vez en una tirada par. no es de aplicación la Regla de Laplace. Si analizamos el experimento consistente en lanzar un dado perfectamente equilibrado y observar el número de puntos que aparecen en la cara superior.23 . casos favorables dividido por casos posibles. 4... 3..} entonces P( A ) = 1 1 1 1/ 4 1 + + L + 2n + L = = 22 2 4 2 1− 1/ 4 3 Y para suceso contrario.. por tanto no es de aplicación la Regla de Laplace.. el espacio muestral es: E={1. II. al lanzar una moneda: A={2. 4. por tanto. El Espacio Muestral es: E= { 1. la probabilidad de cada uno de ellos será 1/6. lo que constituye la conocida Regla de Laplace.

. Esta función será estudiada en un capítulo posterior. consistirá en la definición de una función de distribución.24 ..3.Capítulo II: Concepto de Probabilidad A ={1.. 3..Espacios Muestrales de la potencia del continuo La única forma mediante la que probabilizaremos estos Espacios Muestrales. II..} será: P( A ) = 1 1 1 1/ 2 2 + 3 + L + 2n −1 + L = = 1 2 2 2 1 − 1/ 4 3 II.. 2·n-1..4..

Probabilidad condicional II.Capítulo II: Concepto de Probabilidad Tema 3.25 .

CAPITULO III Probabilidad Condicional .

algunos sucesos modifican su probabilidad bajo esta información parcial. A esta probabilidad se le llamará probabilidad condicional. Evidentemente. vamos a estudiar. Nótese. Sin embargo. La probabilidad de extraer un rey es de 4/40=1/10. La modificación del espacio muestral implica la del Espacio de Probabilidades y. cómo se calcula la nueva probabilidad de cualquier suceso de la σ-álgebra. es decir. Analicemos otro ejemplo en el que la información parcial del resultado del fenómeno aleatorio no modifica la probabilidad de determinados sucesos: Supongamos. pasan a tener una probabilidad de 1/3 y que cualquiera de los sucesos elementales 1. inmediatamente. la probabilidad de que haya ocurrido el suceso “rey”. pues el conjunto de los posibles resultados del fenómeno aleatorio ha pasado de ser E a ser A. que la experiencia consiste en extraer al azar una carta de una baraja de 40 cartas. cuando tenemos la información de que ha ocurrido un determinado suceso A de la misma. por tanto.. Por ejemplo. la probabilidad de que la carta extraída sea el rey de oros ha pasado de valer 1/40 a valer 0. que aunque no conozcamos más que parcialmente el resultado de la realización del fenómeno aleatorio.1. puede modificar la probabilidad de cualquier suceso de ese fenómeno aleatorio. a A en un nuevo espacio muestral. es decir. si sabemos que ha ocurrido el suceso: A ={ 2. la probabilidad de cualquiera de los seis sucesos elementales es de 1/6.2. 6. otros sucesos no modifican su probabilidad. Supongamos que sabemos que la carta extraída es una copa. la información que suministra este conocimiento puede suponer una modificación de las probabilidades de determinados sucesos. cuando sabemos que ha salido una copa. F. la de la definición de la nueva σ-álgebra y la de la III. pues es imposible que ocurra cualquiera de ellos si ha ocurrido A. En este capítulo. 6} sabemos que ha ocurrido uno de los tres números pares. luego se cumplirá que cualquiera de los tres sucesos elementales 2. Supongamos que sabemos que ha ocurrido el suceso A ∈ F.. precisamente. Por ejemplo. ahora.PROBABILIDAD CONDICIONAL Sea {E. 5. la misma que si no supiéramos nada respecto al resultado de la extracción (4/40).Capítulo III: Probabilidad Condicional III. si el fenómeno consiste en lanzar un dado perfectamente equilibrado. por ejemplo. por lo que la información suministrada no aporta nada nuevo para el mejor conocimiento de estos sucesos. cuando sabemos que ha ocurrido A. 4. Esta información transforma.INTRODUCCION El conocimiento total o parcial del resultado que ha ocurrido en una realización de un fenómeno aleatorio. Si sabemos que el resultado de la tirada ha sido un número par. cada uno de ellos con la misma probabilidad.27 . 4. III. pasan a tener una probabilidad nula. por tanto. es 1/10. P} el espacio de probabilidades de un cierto fenómeno aleatorio. 3.

que todo suceso B de FA pertenece también a F. B2. definiremos a FA mediante: FA ={B/ ∃ C ∈ F. Nótese que la σ-álgebra FA está contenida en F. podemos extender la probabilidad condicional PA a toda la σ-álgebra F.. el Espacio Muestral E se transforma en el A y PA se aplica a los sucesos de FA. . B=C∩A} es decir: {B ∈ FA } ↔ {∃ C ∈ F.. tal que P(A)≠0. pues B es intersección de dos sucesos de F y. Sin embargo. Designaremos al nuevo Espacio de Probabilidades mediante: {A. y B a cualquier suceso de FA. así: PA (2)= P(2) 1 / 6 1 = = P( A ) 1 / 2 3 P( A ) =1 P( A ) De la misma forma: PA ( A )= En general. Como quedó dicho más arriba. pertenece a F. E C B A B A Espacio Muestral inicial E Nuevo Espacio Muestral A Figura III. Si hacemos corresponder a cualquier suceso C de F la probabilidad: III. nótese que las probabilidades de los sucesos de A se obtienen sin más que dividir su probabilidad inicial por la del suceso A. mediante: ∀ B ∈ FA . por tanto.) ∈ FA se cumple que U Bi ∈ FA i b) ∀ B ∈ FA → CAB ∈ FA En el ejemplo del dado de la introducción. definiremos a PA. PA}.1. FA.. B =C∩ A } Puede demostrarse que FA cumple las dos condiciones para ser una σ-álgebra: a) ∀ (B1.Capítulo III: Probabilidad Condicional nueva probabilidad. es decir.Cambio de Espacio Muestral Si llamamos genéricamente C a cualquier suceso de F. conocido que ha ocurrido el suceso A. PA (B)= P(B) P( A ) Se demuestra fácilmente que PA cumple los axiomas de probabilidad. si sabemos que ha ocurrido el suceso A.28 .

2 del capitulo II.Capítulo III: Probabilidad Condicional lo que estamos haciendo es: pues: PA(C)=PA(C ∩ A) PA(C ∩ A )=0 C=(C ∩ A) ∪ (C ∩ A ) con: (C ∩ A) ∩ (C ∩ A )=∅ De esta forma.. o bien probabilidad de que ocurra C “condicionada a” A.2.Propiedades La probabilidad condicional reúne todas las propiedades de cualquier probabilidad establecidas en apartado II. así: III. PA) es un Espacio de probabilidades en el que PA es una probabilidad condicional definida por: PA (C)= P(C/A) = P(C ∩ A) P(A) con P(A)≠0. F.29 . f) La definición de probabilidad condicional se puede aplicar a la propia probabilidad condicional. o bien “sabiendo que ha ocurrido” A.2.3. es decir: a) ∀ C ∈ F es P( C / A) =1-P(C / A) b) P(∅ / A)=0 c) {C1 ⊂ C2} → P(C1 / A) ≤ P(C2 / A) d) ∀ C ∈ F es 0 ≤ P(C / A) ≤ 1 e) P(C1 ∪C2 / A) = P(C1 / A)+P(C2 / A) .2.Definición La terna (E.1. PA} . PA (C) = P(C / A ) = P(C ∩ A ) P( A ) En la que P(C/A) se lee probabilidad de C “dado” A. F. III. III.2.P(C1 ∩ C2 / A) y su generalización a n sucesos. La probabilidad PA puede escribirse ahora así: ∀ C ∈ F .. el Espacio de Probabilidades es {E.

Este teorema es de aplicación a cualquier tipo de probabilidad. será: P( A ∩ B ∩ C) = P( A ) ⋅ P(B / A ) ⋅ P [C /( A ∩ B)] III. luego lo es a la probabilidad condicional: PA (B ∩ C) = PA (B) ⋅ PA (C / B) = PA (C) ⋅ PA (B / C) que puede escribirse: P [(B ∩ C) / A ] = P(B / A ) ⋅ P [(C / B) / A ] = P(B / A ) ⋅ P [C /( A ∩ B)] Esta última ecuación nos permitirá establecer el teorema de la intersección para tres sucesos: P(A ∩ B ∩ C) = P[A ∩ (B ∩ C)] = P(A)·P[(B ∩ C) / A] que.30 . por lo que acabamos de ver.Generalización de la Probabilidad Condicional III.2..3. .TEOREMA DE LA INTERSECCION De la definición de probabilidad condicional se deduce que: P( A ∩ B) = P( A ) ⋅ P(B / A ) = P(B) ⋅ P( A / B) ecuación que se conoce como el Teorema de la Intersección.Capítulo III: Probabilidad Condicional PA (C / B) = PA (C ∩ B) P( A ∩ B ∩ C) / P( A ) P( A ∩ B ∩ C) = = PA (B) P( A ∩ B) / P( A ) P( A ∩ B) de donde: luego: PA (C / B) = P [(C / B) / A ] = P [(C /( A ∩ B)] P [(C / B) / A ] = P [C /( A ∩ B)] Gráficamente: E B A A C Figura III.

Si de dicho lote tomamos al azar y sin reposición tres piezas ¿Cual es la probabilidad de que todas sean correctas? Si llamamos Ai al suceso “la pieza extraída en lugar i es correcta”.4.. Este teorema resulta fácilmente generalizable.Capítulo III: Probabilidad Condicional E A C B Figura III.TEOREMA DE LA PARTICIÓN O DE LA PROBABILIDAD TOTAL Sea A1. así para cuatro sucesos es: P(A ∩ B ∩ C ∩ D) = P(A)·P(B / A)·P[C / (A ∩ B)]·P[D / (A ∩ B ∩ C)] En general. ···. aplicando el axioma tercero de la definición de probabilidad: P(B) = ∑ P(B ∩ A i ) = ∑ P( A i ) ⋅ P(B / A i ) i =1 i =1 n n III. B y C lo que constituye el Teorema de la Intersección para tres sucesos. A2. Sea B un suceso de F. para n sucesos es: P( A1 ∩ A 2 ∩ L ∩ A n ) = P( A1 ) ⋅ P( A 2 / A1 ) ⋅ L ⋅ P [A n /( A1 ∩ A 2 ∩ L ∩ A n −1 )] Ejemplo III.31 .1: Consideremos un lote de 10 piezas en el que la mitad no superan el nivel de calidad establecido.3.Intersección de los sucesos A.. An una partición de E con Ai ∈ F. Se cumple que: B = U (B ∩ A i ) i =1 n y para i≠j: (B ∩ Ai) ∩ (B ∩ Aj)=∅ Por tanto. la probabilidad pedida será: P(A1 ∩ A2 ∩ A3) = P(A1)·P(A2 / A1)·P[A3 / (A1 ∩ A2)] = 5/10·4/9·3/8 = 60/720 III.

5.10+0. Consideramos el experimento aleatorio “seleccionar una persona al azar” y en él el suceso (B) que “la persona seleccionada sea fumador”.40 P(B/A1)=0. E An B A1 A2 ··· Figura III.32 . independientemente de que la persona elegida al azar sea hombre o mujer es la dada por la expresión del teorema aquí estudiado.60 P(A2)=0. La probabilidad total de que sea fumador.60·0.25=0.40·0. Si en el colectivo hay un 60% de mujeres y sabemos además que son fumadores el 10% de las mujeres y el 25% de los hombres.Ejemplo de partición de E Los elementos Ai de la partición de E pueden considerarse como las causas que motivan el suceso B o las circunstancias bajo las cuales puede ocurrir el suceso B.16 Como se ha visto. E A1 B A2 Figura III..5. III.2: En un colectivo están presentes mujeres (A1) y hombres (A2).4.Capítulo III: Probabilidad Condicional ecuación que se conoce como el Teorema de la Partición.10 P(B/A2) = 0..2 En consecuencia: P(B)=P(A1)·P(B/A1)+P(A2)·P(B/A2)=0.25 En nuestro caso la partición es del estilo del de la figura III. la probabilidad de que la persona seleccionada sea fumador es diferente según se dé la circunstancia de que se produzca la elección entre las mujeres (A1) o entre los hombres (A2) del colectivo. Ejemplo III. tendremos las siguientes probabilidades: P(A1)=0.Partición de E del ejemplo III.

... B2.Definición Dados los sucesos A y B. An } ∈ F son mutuamente independientes si ∀ K. {A y B son independie ntes} ↔ {P( A / B) = P( A )} Es fácil demostrar que: {P(A/B)=P(A)} ↔ {P(B/A)=P(B)} pues sí: P( A / B) = P( A ∩ B) = P( A ) P(B) se cumple que: P(A ∩ B)=P(A)·P(B) en consecuencia: P(B / A ) = P( A ∩ B) P( A ) ⋅ P(B) = = P(B) P( A ) P( A ) Cambiando A por B queda demostrado el recíproco.SUCESOS INDEPENDIENTES III.5. An} se cumple que: P(B1 ∩ B2 ∩ . A2. equivalente a la anterior..·P(BK) Así.. BK) ⊂ { A1. A2. diremos que son independientes si el conocimiento de que ha ocurrido uno de ellos no modifica la probabilidad del otro.33 ... ..1... ∩ BK) = P(B1)·P(B2 )·.. A2 y A3 sean mutuamente independientes se deben cumplir las siguientes condiciones: a) P(A1 ∩ A2) = P(A1)·P(A2) b) P(A1 ∩ A3) = P(A1)·P(A3) c) P(A2 ∩ A3) = P(A2)·P(A3) d) P(A1 ∩ A2 ∩ A3) = P(A1)·P(A2)·P(A3) III. 2 ≤ K≤ n ∀(B1.. De todo lo anterior. Podemos realizar la generalización de la siguiente forma: Diremos que los sucesos {A1. se desprende que: {A y B son independie ntes} ↔ {P( A ∩ B) = P( A ) ⋅ P(B)} lo que constituye otra definición..5.. para que A1. . de sucesos independientes.Capítulo III: Probabilidad Condicional III. . .

P(B / A)] Como. también lo son A y B En efecto.P(B)] = P( A )·P( B ) {Si A y B son independientes} → { A y B son independientes} c) Generalizando las dos propiedades anteriores. Su enunciado es el siguiente: Sea A1. Entonces se cumple que: Por el teorema de la intersección: III. A2. varios o todos los sucesos Ai por sus complementarios.. A y B son independientes: P(A ∩ B ) = P(A)·[1 .TEOREMA DE BAYES Este teorema fue desarrollado por Thomas Bayes (1702-1761).P(B)] es decir: P(A ∩ B ) = P(A)·P( B ) {Si A y B son independientes} → { A y B son independientes} b) Si A y B son independientes A y B también lo son: P( A ∩ B ) = P( A )·P( B / A ) = P( A ∩ B ) = P( A )·[1 . se puede demostrar que si A1. An son sucesos mutuamente independientes.2. por hipótesis. también lo son B y A . luego: P( A ∩ B ) = P( A )·[1 .5.P(B / A )] Por la propiedad anterior si A y B son independientes.34 .. An una partición de E.. . . III. A2.. también lo son cualquier conjunto de sucesos que resulte de cambiar uno. . por definición de probabilidad condicional: P(A ∩ B ) = P(A)·P( B / A) Por una propiedad de la probabilidad condicional: P(A ∩ B ) = P(A)·[1 . . es decir: E= i =1 n U Ai y para i ≠ j Ai ∩ Aj = ∅ P ( Ai / B ) = P ( Ai ∩ B ) P( B ) Sea B un determinado suceso de F tal que P(B)≠0..Capítulo III: Probabilidad Condicional III..6. lo que pone de manifiesto su gran importancia teórica.Propiedades a) Si A y B son independientes. por lo que P(B/ A )=P(B). El enfoque bayesiano de la Estadística se fundamenta en este teorema.

000 por A3.03 = 0. 0. después de conocer que el tornillo extraído es defectuoso.44 3 45 P( A1 ) = Las probabilidades del efecto dada la causa son: P(B / A1) = 0. 15.60 0. Con ésta nomenclatura.000 fabricadas por A2 y 20. Ejemplo III.22 ⋅ 0.01 La probabilidad buscada es: P ( A3 / B ) = P ( A3 ) ⋅ P ( B / A3 ) P ( A1 ) ⋅ P( B / A1 ) + P( A2 ) ⋅ P ( B / A2 ) + P ( A3 ) ⋅ P ( B / A3 ) 0. A2 y A3 tienen respectivamente.033 P(B / A2) = 0. III.22 10000 + 15000 + 20000 45 15 P( A ) = = 0.02 P(B / A3) = 0.000 unidades fabricadas por A1. en función de las probabilidades de las causas y la de los efectos dadas las causas.01 + 0.44 ⋅ 0.33 ⋅ 0.44 y pasa a ser.33 2 45 20 P( A ) = = 0.44 ⋅ 0.35 . a los sucesos Ai se les ha llamado causas y a B efecto. En un almacén hay 10. 1%.Capítulo III: Probabilidad Condicional P(Ai ∩ B)=P(Ai )·P(B / Ai ) Por el teorema de la partición: P ( B ) = ∑ P( Ai ) ⋅ P ( B / Ai ) i =1 n Con lo que queda demostrado que P ( Ai / B ) = P ( Ai ) ⋅ P( B / Ai ) n ∑ P( Ai ) ⋅ P( B / i =1 Ai ) En alguna ocasión.03 es decir: P ( A3 / B ) = La probabilidad de la causa A3 era igual a 0. Las probabilidades de las causas son: 10000 10 = = 0. ¿Cuál es la probabilidad de que el tornillo hubiera sido fabricado por A3?.02 + 0. el teorema de Bayes permite calcular la probabilidad de que cuando se ha dado el efecto B la causa haya sido Ai.3: Supongamos que las partidas de tornillos que suministran tres proveedores A1. Cada tornillo puede ser clasificado como defectuoso (B) o como no defectuoso. 2% y 3% de unidades defectuosas.60. Se extrae un tornillo al azar que resulta ser defectuoso.

P( B / i =1 n Ai ) El denominador de esta expresión es: ∑ P( Ai ). 0. Ejemplo III. A2 a la proposición “la empresa controla el 20% del mercado” y A3 a la proposición “la empresa controla el 30% del mercado”. a P(Ai) se le llama probabilidad “a priori” del suceso Ai.2 ⋅ 0 . el 20% o el 30% del mercado con probabilidades respectivas de 0.55.2+0. Si llamamos B a la proposición “el encuestado es cliente de la empresa”. será: P(B/A1) = 0. ¿Cuales son las probabilidades “a posteriori”?. 0 .1 P(B/A2) = 0.P ( B / AK ) ∑ P( Ai ).25 y 0.2 P(B/A3) =0.25 ⋅ 0.1+0.1 = 0. Si llamamos A1 a la proposición “ la empresa controla el 10% del mercado”.235 0. que tras observar el resultado B se transforma en la probabilidad “a posteriori” P(Ai/B).235 P ( A1 / B ) = III. han calculado que ésta controla el 10%.25·0. las probabilidades “a priori” serán: P(A1) = 0.235 0.55. Si al encuestar al azar a un consumidor resulta que éste adquiere el producto de la empresa en cuestión.3 = 0.085 0.P( B / i =1 n Ai ) = 0.55 ⋅ 0.213 0.55·0.Capítulo III: Probabilidad Condicional Desde el punto de vista bayesiano.3 P ( A3 / B ) = = 0.25 P(A3) = 0.36 .235 luego.3 Las probabilidades “a posteriori” serán: P( AK / B ) = P ( AK ).2 P ( A2 / B ) = = 0.2·0.2.2 P(A2) = 0.4: Los expertos de una cierta empresa.702 0.

Variables aleatorias III.Capítulo III: Probabilidad Condicional Tema 4.37 .

CAPÍTULO IV: Variables Aleatorias Unidimensionales .

1. F..x] pertenece a la σ-álgebra F. O(Ix) ∈ F} Entonces: P(I x ) = P( X ∈ I x ) = P [O x (I x )] = P [X(e) ≤ x ] = P( X ≤ x ) ℜ E F O(Ix) ∈ F Ix e X X(e) x Figura IV.) ↔ {∀ x ∈ ℜ. si y sólo si. la resistencia a la rotura de una probeta de hormigón.39 . El peso. En esencia. diámetro y peso de un cilindro torneado. lo que determina que una magnitud pueda ser considerada como una variable aleatoria es la impredecibilidad de sus valores en situaciones concretas y la posibilidad de probabilizar el Espacio Muestral definido por ℜ. definiremos a una variable aleatoria unidimensional.-Definición de variable aleatoria unidimensional Dado un Espacio de Probabilidades (E.CONCEPTO DE VARIABLE ALEATORIA UNIDIMENSIONAL De forma intuitiva puede considerarse como una variable aleatoria unidimensional a cualquier magnitud que puede tomar valores en un determinado dominio de forma impredecible influida por el azar. mediante: (X: E→ℜ es V. El concepto establecido para las variables aleatorias unidimensionales puede extenderse al caso en que en cada observación se evalúen varias magnitudes simultáneamente.1. estatura y perímetro torácico de un individuo. P) diremos que la aplicación X:E→ℜ es una variable aleatoria unidimensional. la antiimagen de cualquier intervalo Ix=]-∞. la duración de un componente electrónico. pueden ser tomados como ejemplos de variables aleatorias multidimensionales. En resumen. IV.1. A pesar de lo sencillos e intuitivos que son los conceptos anteriormente expuestos. debemos formalizar el concepto de variable aleatoria de cara a su aplicación en el campo de la Teoría de la Probabilidad y de la Inferencia Estadística.1. son ejemplos de magnitudes que cumplen los requisitos de una variable aleatoria unidimensional.A. etc. etc. la longitud.Definición de variable aleatoria unimendional IV.Capítulo IV: Variables Aleatorias IV. dando lugar al concepto de variable aleatoria multidimensional. el peso de un fruto. El número de puntos obtenidos al lanzar un dado..

a] ∪ ]a.b] = ∅ Por el axioma tercero de la definición de probabilidad P( ]-∞. Por ser P(a<X≤b) ≥ 0 será FX(b) ≥ FX(a).2. a] ) + P( ]a.2.Función de distribución IV.b] y que ]-∞.2. siendo discontinua por la IV. por la definición de función de distribución: por tanto: FX(b) = FX(a) + P(a<X≤b) P X ∈ ] a. a] ∩ ]a. En efecto. pues FX(x) es una probabilidad.FX(a). b) El lim FX ( x ) = 1 pues: x →∞ x →∞ lim FX ( x ) = lim P( X ≤ x ) = P( X ≤ ∞ ) = P(ℜ) = 1 x →∞ c) El lim FX ( x ) = 0 pues: x → −∞ x → −∞ lim FX ( x ) = lim P( X ≤ x ) = P( X ≤ −∞ ) = P(∅ ) = 0 x → −∞ d) La P(X ∈ ]a.1.Propiedades FX(x) = P(Ix) = P(X(e)≤x) = P(X≤x) La función de distribución tiene las siguientes propiedades: a) ∀ x ∈ ℜ es 0 ≤ FX(x) ≤ 1.40 . pues como acabamos de ver.. se llama función de distribución de esta variable a la función FX(x) definida como sigue: ∀x∈ℜ IV.1.2.b]) = FX(b) .1.. b] = FX (b) − FX (a) ( ) e) La función de distribución es no decreciente.b] ) es decir: P(X≤b) = P(X≤a) + P(a<X≤b) de donde..1. si a<b es FX(b)=FX(a)+P(a<X≤b). si a<b se cumple que: ]-∞. f) Continuidad: La función de distribución es continua por la derecha en cualquier punto de la recta real y continua por la izquierda en todo punto de probabilidad nula. b] ) = P( ]-∞.Capítulo IV: Variables Aleatorias IV. b] = ]-∞.Definición Dada una variable aleatoria X.

X es una variable aleatoria que tiene distribuida la masa de probabilidad en 6 puntos conteniendo cada uno de ellos una masa igual a 1/6. si la experiencia aleatoria consiste en lanzar un dado y X(e) es el número que obtenemos en el lanzamiento.4. Lógicamente.. es decir.41 .3. IV.Variable aleatoria discreta La función de distribución se calculará mediante: FX ( x ) = P( X ≤ x ) = P( X ∈ Ix ) = x i ∈I x ∑ P( X = xi ) = ∑ PX ( xi ) x i ∈I x IV. y FX(x) será la masa contenida en el intervalo ]+∞.1..2. FX(x) FX(a) P(X=a) a X Figura IV. En la analogía mecánica expuesta en el apartado anterior.1. de esta forma a cada variable aleatoria le corresponde una determinada distribución de masa a lo largo del eje de abscisas. b].. Por ejemplo. FX(x) es continua en todo punto de probabilidad nula y discontinua en todo punto de probabilidad no nula. xi mi=P(xi) . Así.Analogía mecánica En determinadas ocasiones resulta útil identificar el concepto de probabilidad con el de masa. x1 m1=P(x1) x2 .Variables discretas Diremos que la variable aleatoria X es discreta si el conjunto imagen de la aplicación X:E→ℜ es discreto. es algo así como un rosario de puntos con masa distinta de cero.Capítulo IV: Variables Aleatorias izquierda en todo punto de probabilidad no nula con salto igual a la probabilidad de dicho punto. para a<b.3. Figura IV.. la masa total contenida en todo el eje de las x vale la unidad. x]=IX... por ejemplo.Continuidad de la función de distribución IV. una variable aleatoria discreta tiene la masa de probabilidad concentrada en un conjunto discreto de puntos.. En consecuencia. FX(b)-FX(a) es la masa de probabilidad que se encuentra en el intervalo ]a..

. FX(x) FX(x4) P(X=x4) x1 x2 x3 x4 X Figura IV.. 2. el campo de existencia de esta variable es: E = {1.. Recuérdese que la función de distribución es continua por la derecha y discontinua por la izquierda en todo punto de probabilidad no nula.1: Si consideramos la variable aleatoria X..4.Capítulo IV: Variables Aleatorias en la que Ix = ]+∞. xi son los puntos de Ix que tienen una probabilidad no nula y PX(x) es la función de probabilidad de la variable aleatoria X. 3.. en la que en cada punto con probabilidad no nula se produce un salto igual a esta probabilidad. la probabilidad de cada valor de X será: 1 2 1 1 1 P ( X = 2 ) = P Cara1 ∩ Cara2 = ⋅ = 2 2 4 1 1 1 1 P ( X = 3 ) = P Cara1 ∩ Cara2 ∩ Cara3 = ⋅ ⋅ = 2 2 2 8 M 1 1 1 1 P ( X = n ) = P Cara1 ∩ L ∩ Caran −1 ∩ Caran = ⋅ L ⋅ ⋅ = n 2 2 2 2 P ( X = 1 ) = P ( Cara1 ) = ( ) ( ) ( ) Aplicando el concepto de función de distribución: FX (1 ) = 1 2 FX ( 2 ) = 1 1 + 2 4 ··· FX ( n ) = 1 1 1 + +L+ n 2 4 2 Gráficamente: IV.Función de distribución de la variable discreta Ejemplo IV. número de veces que hay que lanzar una moneda hasta obtener cara por primera vez.42 . x]. El aspecto típico de la representación gráfica de la función de distribución de una variable aleatoria discreta es el de una curva en escalera como el de la figura IV. n} Teniendo en cuenta que el resultado obtenido en cada lanzamiento es independiente de los resultados obtenidos en los demás lanzamientos. por lo que el valor de FX(x) en éstos puntos de probabilidad no nula es el de la parte superior de cada salto. 4.4.

Función de distribución del ejemplo IV. no basta que su función de distribución sea continua en todos sus puntos. IV.5. pues P(x<X≤x+Δx) es la masa de probabilidad contenida en el intervalo ]x.Capítulo IV: Variables Aleatorias FX(x) 1 0. es derivable con derivada continua excepto a lo sumo en un conjunto de puntos tales que todo intervalo finito contiene un número finito de ellos. si su función de distribución es continua para todo x real y.. por tanto. será: dFX ( x ) d = dx dx ∫ x −∞ fX ( x ) ⋅ dx = fX ( x ) por tanto: fX ( x ) = dFX ( x ) dx como: fX ( x ) = dFX ( x ) F ( x + Δx ) − FX ( x ) P( x < X ≤ x + Δx ) = lim X = lim Δx → 0 Δx → 0 dx Δx Δx Queda justificado el nombre de función de densidad.1.75 0. es equivalente a la siguiente definición basada en las características de la función de distribución: La variable aleatoria es continua.x+Δx] y. llamada función de densidad. a) Teniendo en cuenta la definición de FX(x). que para todo x real cumple la condición de que FX (x) = ∫ x −∞ f X (x) ⋅ dx La definición anterior. además. si existe una función fX(x) no negativa.Variables continuas Para que una variable aleatoria sea continua. sino que por razones de tipo práctico hay que definirlas de distinta forma: Diremos que la variable aleatoria es absolutamente continua o simplemente continua.1 IV..5 ··· 0 1 2 3 4 X Figura IV.5.43 .

b]) = P (X ∈ [a. es la densidad de masa en el punto x. (es decir. FUNCIONES DE VARIABLES ALEATORIAS Si X es una variable aleatoria y g(x) una función uniforme. es decir. b]) La última igualdad se cumple porque al ser X continua es P(X=a)=0. si g(x) es monótona creciente o monótona decreciente) y X e Y son variables continuas y designamos por g-1(y) a la función inversa de g.b]. la P(X ∈ [a. b]) coincide con el área limitada por las rectas x=a. x=b. IV. c) La masa de probabilidad contenida en un segmento diferencial dx es fX(x)·dx. b) Nótese que en una variable continua.44 . El límite de este cociente cuando Δx tiende a cero. En consecuencia. b]) = ∫ b a f ( x ) ⋅ dx A la misma conclusión llegamos aplicando la regla de Barrow: ∫ b a fX ( x ) ⋅ dx = FX (b) − FX (a) = P (X ∈ ] a. Si g(x) establece una correspondencia biunívoca entre X e Y. en cada punto de una variable continua.2. es: P (X ∈ [a. la variable Y=g(x) será una variable aleatoria si ∀ y ∈ ℜ. Og(IY) pertenece a la σ-álgebra de X. ∀ x ∈ ℜ P(X=x)=0. Siguiendo la analogía mecánica. el eje de abscisas y la función de densidad. y de acuerdo con lo establecido en el apartado correspondiente a las propiedades de la función de distribución. por ser su función de distribución continua. entonces podemos calcular Fy(y) y fy(y) mediante: a) Si g(x) es creciente: IV. no hay masa pero si hay densidad de masa variable con x e igual a fX(x).Capítulo IV: Variables Aleatorias P(x < X ≤ x + Δx ) Δx es la masa por unidad de longitud en ese intervalo. La masa de probabilidad contenida en [a. la probabilidad de cada uno de sus puntos es cero.

Capítulo IV: Variables Aleatorias Y Y=g(X) y=g(x) x=g (y) -1 X Figura IV..Función g(x) decreciente La Función de distribución de Y es: FY(y)=P(Y≤y)=P(g(X)≤y)=P(X>g-1(y))=1-FX(g-1(y)) derivando respecto de y: IV.14.45 .13..Función g(x) creciente La función de distribución de Y es FY(y)=P(Y≤y)=P(g(X)≤y)=P(X≤g-1(y))=FX(g-1(y)) derivando respecto de y obtendremos la función de densidad: fY ( y ) = dFY ( y ) dFX (g−1( y )) dFX (g−1( y )) d(g−1( y )) = = ⋅ dy dy d(g−1( y )) dy de donde: fY ( y ) = fX (g−1( y )) ⋅ dx dy Nótese que dx ≥0. dy b) Si g(x) es decreciente: Y y=g(x) Y=g(X) x=g (y) -1 X Figura IV.

IV.1. ¿Cuál será la función de densidad de la variable que describe la duración de los nuevos componentes? Si llamamos Y a esta nueva variable.ESPERANZA MATEMÁTICA IV..46 .Capítulo IV: Variables Aleatorias fY ( y ) = dFY ( y ) dF (g−1( y )) dF (g−1( y )) d(g−1( y )) =− X = − X −1 ⋅ dy dy dy d(g ( y )) de donde: fY ( y ) = −fX (g−1( y )) ⋅ dx dy En la que dx ≤0 dy Ambos casos pueden ser escritos mediante la ecuación única: fY ( y ) = fX (g−1( y )) ⋅ dx dy Ejemplo IV.Introducción IV.3. será: Y=2·X entonces x=g-1(y)= por lo que dx 1 = dy 2 y 2 Finalmente.. sustituyendo se obtiene: fY ( y ) = θ ⋅ e −θ ⋅ y 2 ⋅ 1 θ − 2 ⋅y = ⋅e 2 2 θ con y≥0 con lo que resulta otra exponencial EXP(θ/2).2 La duración X de unos componentes electrónicos puede asumirse que es una variable aleatoria exponencial (EXP(θ)) con función de densidad: f(x)=θ e-θx ∀x≥0 Un determinado cambio en el diseño permite duplicar la duración de dichos componentes.3.

Capítulo IV: Variables Aleatorias A lo largo de este capítulo se van a manejar conceptos relativos a la teoría de la medida o integración generalizada que el lector puede no poseer. la esperanza matemática no existe si la serie o la integral (según corresponda) no es convergente.3 (Variables discretas) Un juego consiste en lanzar un dado y determinar la diferencia entre el número de puntos obtenidos y el número 3. 2. según esta definición.? La variable X=“diferencia entre el número de puntos obtenido y el número 3”. tiene como campo de existencia X= (-2. Y para variables continuas es: E [g( x )] = ∫ g(x) ⋅ f (x) ⋅ dx -∞ X +∞ Nótese que. IV..Concepto Dada la variable aleatoria X de función de distribución FX(x) y la función uniforme g(x).3. 3) y todos sus valores tienen la misma probabilidad PX(xi) = 1/6. Ejemplo IV.2. ¿Con cuántas pesetas debe penalizarse cada punto de diferencia negativa si queremos que el valor medio de la ganancia del jugador sea de 10 ptas. Si la diferencia es no negativa se ganan 100 Ptas. Por ello los contenidos del capítulo se exponen de manera que puedan ser asimilados sin disponer de un conocimiento profundo de dicha teoría. llamaremos Esperanza Matemática de g(x) a: E [g( x )] = ∫ g(x) ⋅ dF (x) ℜ X Para variables discretas es: E [g( x )] = ∑ g( xi ) ⋅ PX (xi ) i en la que xi son los valores de la variable X de probabilidad no nula (PX(xi)≠0). por cada punto de diferencia. 1. 0.47 . -1. IV. La ganancia G(x) tiene la expresión: G(x)= 100·x si x≥0 G(x)= C·x si x<0 donde C es la penalización que debe imponerse por cada punto de diferencia negativa obtenido.

es decir: E(X1+X2) = E(X1) + E(X2) E(k⋅X) = k⋅E(X) En efecto... En particular.. se denomina Esperanza Matemática de una variable aleatoria X a: E( X) = ∫ x ⋅ dF(x) ℜ que se designará. ℜ2 x1 ⋅ dF(x1..Capítulo IV: Variables Aleatorias Calculando el valor medio de la ganancia e igualando a 10 pts.3. se obtiene fácilmente generalizando el de una variable unidimensional: E [g( X1. también por μX o. x 2 ) = ∫ ℜ2 x1 ⋅ dF(x1. teniendo en cuenta las propiedades de la integral de Stieljes: E( X1 + X2 ) = ∫ ℜ2 ( x1 + x 2 ) ⋅ dF(x1.. x n ) ⋅ dFX ( x1.. xn ) o también: r E g( X) = [ ] ∫ ℜ n r r r g( x ) ⋅ dFX ( x ) IV.... El concepto de esperanza matemática de una función de variable aleatoria n-dimensional...48 .3.Propiedades a) La esperanza matemática es un operador lineal. Xn )] = ∫ ℜn r g( x1. simplemente por μ.. de penalización. x 2 ) y que además ∫ obtenemos que es decir. x 2 ) + ∫ ℜ2 x 2 ⋅ dF(x1. cuando no se preste a la confusión..: E ( g ( x )) = ∑ g( x ) ⋅ P ( x ) = 10 i X i i =1 6 C·(-2)·1/6 +C·(-1)·1/6 +100·1·1/6 +100·2·1/6 +100·3·1/6 =10 Con lo que se obtiene que C=180 pts. x 2 ) = ∫ x ⋅ dF(x ) ℜ 1 1 1 ℜ 2 E( X1 + X2 ) = ∫ x ⋅ dF(x ) + ∫ x ℜ 1 ⋅ dF( x 2 ) E( X1 + X2 ) = E( X1 ) + E( X2 ) Así mismo E(k ⋅ X) = ∫ k ⋅ x ⋅ dF(x) = k ⋅ ∫ x ⋅ dF(x) ℜ ℜ por lo tanto IV.

t) ⎤ E X [g( x.Capítulo IV: Variables Aleatorias E(k ⋅ X) = k ⋅ E(X) b) Si las variables aleatorias X e Y son independientes. El coste de cada movimiento expresado en pesetas.4 (Variables continuas) La carga que tiene que transportar una carretilla en cada movimiento es una variable aleatoria X con distribución uniforme entre 300 y 400 Kg.25·x Calcular el coste medio por movimiento sabiendo que la función de densidad de una distribución uniforme en el intervalo [a.400] Por lo tanto. Ejemplo IV. entonces: E(X·Y) = E(X)·E(Y) En efecto: E( X ⋅ Y ) = ∫ ℜ2 x ⋅ y ⋅ dF( x. t) ⋅ dF(x) dt de donde: d ⎡ d g(x.b] es: f X (x) = 1 b−a con x ∈ [a. y ) = ∫ x ⋅ dF(x) ⋅ ∫ y ⋅ dF(y) = E( X) ⋅ E(Y) ℜ ℜ Se cumple entonces que { X e Y son independientes} ⇒ { E( X ⋅ Y ) = E( X) ⋅ E( Y )} c) Por una propiedad de la Integral de Stieljes. es una función de la carga dada por la expresión g(x) = 100 + 0.5 pts 100 IV.49 .b] SOLUCIÓN: La función de densidad de la variable carga será: f X (x) = 1 1 = 400 − 300 100 con x ∈ [300. se cumple que: d d E X [g( x. t) ⋅ dF(x) = ∫ ℜ ℜ d g(x. t )] = E X ⎢ ⎥ dt ⎣ dt ⎦ Ecuación que será utilizada en la función característica.25 ⋅ x) ⋅ 1 ⋅ dx = 187. t )] = dt dt ∫ g(x. el valor medio del coste por movimiento es: E [g(X)] = ∫ X g(x) ⋅ f X (x) ⋅ dx = ∫ 400 300 (100 + 0.

α1 es la esperanza matemática o valor medio de X..4.Concepto Se denomina momento de orden ν respecto al origen de la variable aleatoria X a αν = ∫x ℜ ν ⋅ dFX ( x ) Si X es discreta. Denominaremos momento central de orden ν de la variable aleatoria X a: μ ν = E ( X − α1 ) ν = [ ] ∫ ℜ ( x − α1 )ν ⋅ dFX ( x ) Si X es discreta. teniendo en cuenta una propiedad de la Integral de Stieljes.4.50 . y lo designaremos por μX o. el momento central de orden ν de la variable aleatoria X será: μν = ∫ +∞ −∞ ( x − α1 )ν ⋅ fX ( x ) ⋅ dx IV. Así.1. pues μ1=E(X-α1)=E(X)-E(α1)=E(X)-E(μX)=μX-μX=0 b) El momento central μν se puede obtener en función de los momentos respecto al origen fácilmente sin más que desarrollar el binomio (x-α1)ν y aplicar las propiedades del operador E.Capítulo IV: Variables Aleatorias IV. Si X es continua. En particular. la definición de momento de orden ν respecto al origen se escribirá: αν = +∞ -∞ ∫ x ν ⋅ fX ( x ) ⋅ dx en la que f(x) es la función de densidad de la variable aleatoria X.4.2.. la definición anterior se escribirá: μ ν = ∑ ( x i − α1 )ν ⋅ PX ( x i ) i Si X es continua. por ejemplo: IV..Propiedades a) El momento central de primer orden es siempre nulo. la definición anterior es: α ν = ∑ x iν ⋅ dPX ( x i ) ℜ en la que por xi se designa genéricamente a los valores de X cuya probabilidad es no nula. simplemente por μ.MOMENTOS IV.

La media no es más que la suma de los productos de los elementos diferenciales de masa de probabilidad multiplicados por su distancia al origen.51 . Indica “por donde” se encuentra situada la masa de probabilidad. Representa.Capítulo IV: Variables Aleatorias 2 2 μ 2 = E ( x − α1 )2 = E( x 2 + α1 − 2 ⋅ x ⋅ α1 ) = α 2 + α1 − 2 ⋅ α1 2 [ ] 2 μ2 = α 2 − α1 De la misma forma se deduce que: 3 μ 3 = α 3 − 3 ⋅ α1 ⋅ α 2 + 2α1 IV. En el caso continuo. la aplicación de la analogía mecánica. En la varianza. pues su masa de probabilidad está concentrada en un punto. σ2 se calcula mediante: σ 2 = D2 ( X ) = X ∫ +∞ −∞ ( x − μ X )2 ⋅ fX ( x ) ⋅ dx en la que fX(x) es la función de densidad de X.. a las definiciones de media y varianza. sino por su distancia al centro de gravedad elevada al cuadrado.Concepto Al momento central de orden dos μ2. su centro de gravedad está en ese punto y las distancias de los puntos con masa IV. los elementos diferenciales de masa de probabilidad no se multiplican por su distancia al origen. expuesta en un tema anterior. En el caso de X discreta se calcula mediante: σ2 = D2 ( X) = ∑ ( x i − μ X )2 ⋅ P( X = x i ) X i en la que los xi son los valores de X con probabilidad no nula.5.5. IV.Propiedades Ayudará a la comprensión de las propiedades que se exponen a continuación.5. la media no es más que el centro de gravedad de la masa de probabilidad.VARIANZA IV. Como la masa total es la unidad. el momento de inercia de la masa de probabilidad y es una medida del grado de dispersión de está masa. Las propiedades de la varianza son: a) La varianza de una constante es cero. por lo tanto...2. se le denomina varianza y también se le designa por σx2 y por D2(X).1.

Capítulo IV: Variables Aleatorias al centro de gravedad son nulas y. como es: por tanto: D2 (a ⋅ X + b) = a2 ⋅ D2 ( X) E(a·X+b) = a·μX+b D2 (a ⋅ X + b) = E ((a ⋅ X + b) .52 . el valor medio de k·X es: Por lo tanto: es decir: D2 (k ⋅ X) = k 2 ⋅ D2 ( X) E(k·X) = k·E(X) = k·μX D2(k·X) = E[(k·X . por tanto. Por tanto: 2 D2 (a1 ⋅ X1 + a2 ⋅ X2 ) = a1 ⋅ D2 ( X1 ) + a2 ⋅ D2 ( X2 ) + 2 ⋅ a1 ⋅ a2 ⋅ cov( X1.μX)2] c) La varianza de a·X+b es a2·D2(X) En efecto.k·μX)2] = E[k2·(X .X2).μX)2] = k2·E[(X .(a ⋅ μ X + b)) = E a2 ⋅ ( X − μ X )2 2 [ ] [ ] d) Varianza de la combinación lineal de dos variables: Como entonces E(a1·X1+a2·X2)=a1·μ1+a2·μ2 D2(a1·X1+a2·X2) = E ( [(a1 ⋅ X1 + a2 ⋅ X2 ) − (a1 ⋅ μ1 + a2 ⋅ μ 2 )] 2 ) de donde: D2(a1·X1+a2·X2) = E ( [(a1 ⋅ ( X1 − μ1 ) + a2 ⋅ ( X2 − μ 2 )] 2 ) elevando al cuadrado y aplicando las propiedades del operador E: 2 D2(a1·X1+a2·X2) = a1 ⋅ D2 ( X1 ) + a2 ⋅ D2 ( X2 ) + 2 ⋅ a1 ⋅ a2 ⋅ E [( X1 − μ1) ⋅ ( X2 − μ 2 )] 2 A la expresión: E[( X1 − μ1 ) ⋅ ( X2 − μ 2 )] se le denomina covarianza de X1 y X2 y se le representa por cov(X1. el momento de inercia también lo es: D2 (k ) = ∫ (k − k ) ℜ 2 ⋅ dFX ( x ) D 2 (k ) = 0 b) D2(k·X) = k2·D2(X) En efecto. X2 ) 2 IV.

la varianza de la suma es la suma de las varianzas.53 .Capítulo IV: Variables Aleatorias En general: n −1 n ⎛ n ⎞ n D2 ⎜ ∑ ai ⋅ Xi ⎟ = ∑ ai2 ⋅ D2 ( Xi ) + 2 ⋅ ∑ ∑ ai ⋅ a j ⋅ cov( Xi . es nulo.TEOREMA DE TCHEBYCHEFF.. X j ) ⎜ ⎟ i =1 i +1 ⎝ i =1 ⎠ i =1 e) Si dos variables aleatorias son independientes.X2 ) = D2 ( X1) + D2 ( X2 )} IV. es decir A h = { x ∈ ℜ.X2) es decir. la covarianza de X1 y X2.6.Valores de X que satisfacen que g(X)≥h Por ser Ah ⊂ ℜ (en sentido amplio): IV. En efecto.. g(x) ≥ h} Gráficamente: g(X) h X Ah Figura IV.15. el término cov(X1. si las variables X1 y X2 son independientes. se cumple que ∀ h ∈ ℜ+: P [g( X) ≥ h] ≤ E [g( X)] h Sea Ah el conjunto de los valores de X que satisfacen a g(x)≥h. pues por ser las dos variables independientes se cumple que: E[( X1 − μ1 ) ⋅ ( X2 − μ 2 )] = E( X1 − μ1 ) ⋅ E( X2 − μ 2 ) = (μ1 − μ1 ) ⋅ (μ 2 − μ 2 ) = 0 por tanto. Si g(X) es una función no negativa de la variable aleatoria X. sustituyendo en la ecuación anterior: {X1 y X2 son independientes} → {D2 ( X1 + X2 ) = D2 ( X1) + D2 ( X2 )} es inmediato que: {X1 y X2 son independientes} → {D2 ( X1 .

54 . IV. si g(x)=(x-μX)2.1.. con el fin de describir determinados aspectos de la distribución de masa de probabilidad de una variable aleatoria.. o bien puede ocurrir que. que. se utilizan ciertos parámetros que indican la posición. El más frecuentemente utilizado es el valor medio o esperanza matemática.7. r X = ( X1.Capítulo IV: Variables Aleatorias E [g( x )] = ∫ g(x) ⋅ dF (x) ≥ ∫ g(x) ⋅ dF (x) ℜ X Ah X Por ser g(x)≥h para todo x∈Ah: ∫ g(x) ⋅ dF (x) ≥ h ⋅ ∫ dF (x) = h ⋅ P( X ∈ A ) = h ⋅ P [g( X) ≥ h] Ah X Ah X h En consecuencia: P [g( X) ≥ h] ≤ E [g( X)] h Es fácil comprobar que la demostración es la misma si sustituimos la variable aleatoria unidimensional X por la variable aleatoria n-dimensional. Describiremos los más usuales.. representa el centro de gravedad de la masa de probabilidad. la media puede no existir... asimetría y curtosis (o apuntamiento) de la masa de probabilidad. por ser muy asimétrica la distribución de la masa de probabilidad.7. en cuyo caso se utilizan otros parámetros de posición. dispersión. IV. IV. Aunque la distribución de una variable aleatoria queda perfectamente caracterizada por su función de distribución o bien por su función de densidad (en variables continuas) o por su ley de probabilidades (en variables discretas). y h=k2⋅σ2.. la ecuación anterior se escribe: P ( X − μ X )2 ≥ k 2 ⋅ σ2 ≤ [ ] σ2 k 2 ⋅ σ2 de donde: P X − μX ≥ k ⋅ σ ≤ [ ] 1 k2 Ecuación que es conocida como la desigualdad de Bienaymé-Tchebycheff. como sabemos.PARÁMETROS DE UNA DISTRIBUCIÓN. X2. Sin embargo.Parámetros de posición Estos parámetros indican por donde se encuentra situada la masa de probabilidad a lo largo del eje de abscisas. la media represente mal a la posición de la masa. Xn ) Por otra parte.

se toma como mediana la abscisa del punto medio de este segmento. como sabemos. Otro parámetro de dispersión lo constituye el coeficiente de variación. Como.55 . Con el fin de utilizar un parámetro adimensional. La moda corresponde a un máximo relativo de la función de densidad o de la ley de probabilidades. los momentos respecto al origen de orden impar (si existen) son siempre nulos. en distribuciones simétricas unimodales. Evidentemente... las unidades de σ2 son las de la variable aleatoria X elevadas al cuadrado.16. Tiene las mismas unidades que la variable x. la posición relativa de estos parámetros es la que se muestra en la figura IV. que se define como la raíz cuadrada positiva de la varianza y se representa por σ. fX(x) mediana fX(x) mediana moda media X media moda X Figura IV. En el caso de que ésta intersección no sea un punto sino un segmento.7.Parámetros de dispersión Estos parámetros tratan de medir el mayor o menor grado de concentración o de dispersión de la masa de probabilidad. por otra parte.16. Una misma variable puede tener más de una moda.Capítulo IV: Variables Aleatorias La mediana es la abscisa del punto de intersección de la función de distribución con la recta FX(x)=0.3. la media. que se define como el cociente entre la desviación típica y la media. σ2 aumenta a medida que la masa de probabilidad se dispersa.5.7. Por esta razón se utiliza con mucha frecuencia a la desviación típica.Parámetros de asimetría Si la masa de probabilidad se distribuye simétricamente. Es un parámetro adimensional. se utiliza como medida de asimetría a: IV. Sin embargo. El parámetro más utilizado es la varianza σ2 que. En distribuciones asimétricas. La mediana tiene un 50% de masa de probabilidad a su izquierda y otro 50% de masa a su derecha. IV..2. μ1 siempre es nulo. la mediana y la moda coinciden.Parámetros de posición en distribuciones asimétricas IV. representa al momento de inercia de la masa de probabilidad y puesto que ésta es constante e igual a la unidad. se puede utilizar μ3 como una medida de asimetría.

Capítulo IV: Variables Aleatorias γ1 = μ3 σ3 En una función de densidad unimodal con una rama larga a la derecha y otra corta a la izquierda. IV.56 .7. trata de medir el grado de apuntamiento de la distribución en las proximidades de su media y se define por: γ2 = μ4 −3 σ4 En función de los valores que tome este parámetro. las distribucciones se clasifican en: γ2<0 γ2=0 γ2>0 planicúrticas mesocúrticas leptocúrticas Las distribuciones mesocúrticas tienen un apuntamiento como el de la distribución Normal que veremos en capítulos posteriores. De forma análoga se define asimetría negativa.4. en este caso diremos que la asimetría es positiva.. por tanto γ1 es positivo. los cubos de las desviaciones positivas respecto de la media serán mayores que los cubos de las desviaciones negativas y.Parámetros de apuntamiento El coeficiente de apuntamiento o curtosis. IV.

57 .Variables aleatorias discretas IV.Capítulo IV: Variables Aleatorias Tema 5.

58 .CAPITULO V: Principales Distribuciones Discretas IV.

Supongamos además.3.1.Definición Diremos que la variable aleatoria X es una variable dicotómica de parámetro p y la representaremos por X≡D(p) si toma únicamente dos valores: X=1 con probabilidad p X=0 con probabilidad q=1-p V.1.2. en consecuencia... Repitamos n veces la realización del fenómeno aleatorio o de la experiencia de que se trate.1..1. En cada repetición observemos si ha ocurrido el suceso A o su complementario.59 .Definición Sea A un suceso de probabilidad p asociado a una experiencia aleatoria.1..1.. que después de cada repetición el fenómeno queda en la misma situación probabilística que antes de realizar dicha repetición y.2. la V.VARIABLE DICOTÓMICA V.Capítulo V: Principales Distribuciones Discretas V..Valor medio Por tratarse de una variable discreta.VARIABLE BINOMIAL V.Varianza La varianza de X se calculará: σ2 = E ( x − μ )2 = ∑ (x i − μ ) ⋅ PX (xi ) = (0 − p)2 ⋅ q + (1 − p)2 ⋅ p = p2 ⋅ q + q2 ⋅ p X 2 i =1 [ ] 2 es decir: σ2 = p ⋅ q ⋅ (p + q) = p ⋅ q X por tanto: D2 ( X) = p ⋅ q La desviación típica será: σX = + p ⋅ q V.2. la esperanza matemática será: μ X = E(X ) = ∑ xi ⋅ P( x i ) = 0 ⋅ q + 1⋅ p = p i =1 2 es decir: E( X) = p V.

Yi toma el valor 1 si en la repetición número i ocurre el suceso A y toma el valor 0 si no ocurre. El suceso A ocurrirá dos veces si ocurre uno de los siguientes sucesos: B1 = A1 ∩ A 2 ∩ A 3 ∩ A 4 B2 = A1 ∩ A 2 ∩ A 3 ∩ A 4 B3 = A1 ∩ A 2 ∩ A 3 ∩ A 4 B4 = A1 ∩ A 2 ∩ A 3 ∩ A 4 B5 = A 1 ∩ A 2 ∩ A 3 ∩ A 4 B6 = A1 ∩ A 2 ∩ A 3 ∩ A 4 con probabilidad p2·q2 con probabilidad p2·q2 con probabilidad p2·q2 con probabilidad p2·q2 con probabilidad p2·q2 con probabilidad p2·q2 Si designamos por X a la variable binomial “número de veces que ocurre A al efectuar 4 repeticiones independientes”. que: Una variable aleatoria Binomial X≡B(n.Capítulo V: Principales Distribuciones Discretas probabilidad condicional de A. Es decir. Yi es una variable dicotómica de parámetro p. A3. Pues bien. A 4 (el subíndice indica el número de la repetición). Si designamos por X a la variable “número de veces que ocurre el suceso A. ⎨ n ⎩ i =1 ⎫ Yi ≡ D(p) independie ntes ⎬ ⎭ V.Ley de probabilidades Supongamos que efectuamos 4 repeticiones independientes de un experimento aleatorio. entonces. más concretamente. en cada repetición. La misma probabilidad tendrá cualquier combinación en la que el suceso A ocurra dos veces.p).2. y obtenemos el resultado A1. cuando efectuamos n repeticiones independientes del fenómeno al que va asociado”.p) cuando las Yi son independientes. A 2 .60 . además. llamamos X a ∑ Yi = X i =1 n entonces X≡B(n. su probabilidad es: P A1 ∩ A 2 ∩ A 3 ∩ A 4 = P(A1 ) ⋅ P A 2 ⋅ P(A 3 ) ⋅ P A 3 = p2 ⋅ q2 ( ) ( ) ( ) por ser las repeticiones independientes. que tiene asociado un suceso A de probabilidad P(A)=p. p)} ⇔ ⎧ X = ∑ Yi .. { X ≡ B(n. La definición anterior es equivalente a la siguiente basada en el concepto de variable dicotómica: si por Yi designamos a la variable que expresa el resultado de la repetición número i y. entonces X es una variable binomial de parámetros n y p y la representaremos por X≡B(n. Si.2.p) es la suma de n variables dicotómicas independientes de parámetro p. entonces: ⎛6 ⎞ P( X = 2) = P ⎜ U Bi ⎟ = 6 ⋅ p2 ⋅ q2 ⎟ ⎜ ⎝ i =1 ⎠ V. coincide con su correspondiente probabilidad inicial. de probabilidad P(A)=p.

. Este hecho es el que da nombre a la variable aleatoria binomial: ∑ ⎜⎜⎝ ν ⎟⎟⎠ p ⋅ q ν ν =0 n ⎛n⎞ n−ν = (p + q)n = 1n = 1 Ejemplo V.1.Función de Probabilidad de una B(10. ¿Cuál es la probabilidad de aceptar con este plan de control el lote anteriormente referido? c) Si aceptamos el lote solo cuando todos los remaches de la muestra son correctos ¿Cual debería ser el número de remaches que debemos inspeccionar si pretendemos aceptar con una probabilidad menor que 0.1 0 0 1 2 3 4 5 6 7 8 9 10 X Figura V. En general.3 0.0. será la probabilidad de que ocurra uno de los ⎛n⎞ ⎜ ⎟ ⎜ν⎟ ⎝ ⎠ sucesos Bi. la probabilidad de que ocurra X=ν veces el suceso A. es decir: ⎛n⎞ P( X = ν ) = ⎜ ⎟ ⋅ pν ⋅ qn − ν ⎜ν⎟ ⎝ ⎠ La representación gráfica de la ley de probabilidades tiene la forma de la figura V. a) ¿Cuál es la probabilidad de que al tomar al azar de ese lote una muestra de 50 remaches contenga 2 remaches defectuosos? b) Para la aceptación de los lotes recepcionados se aplica un plan de control de calidad consistente en muestrear aleatoriamente 50 remaches y aceptar el lote si aparecen como máximo 2 remaches defectuosos. pues el desarrollo del binomio de Newton da.10 aquellos lotes que contengan un 5% de remaches V. cada una de las probabilidades anteriores. si hacemos n repeticiones independientes. precisamente. cada uno de ellos con una probabilidad igual a pν⋅qn-ν.1: En un almacén de repuestos se recibe un lote con miles de remaches de los que un 1% son defectuosos.Capítulo V: Principales Distribuciones Discretas donde el número 6 es el número de combinaciones al tomar 4 elementos de dos en dos.2 0.2) Nótese que la suma de las probabilidades es 1.61 .1. PX(x) 0.

y la probabilidad pedida es: ⎛ 50 ⎞ P(X = 2) = ⎜ ⎟ ⋅ 0.p) suma de n variables dicotómicas.076 ⎜2⎟ ⎝ ⎠ En términos de frecuencia.05 0 ⋅ 0.4.01).012 ⋅ 0. 0.99 48 = 0.Capítulo V: Principales Distribuciones Discretas defectuosos? SOLUCIÓN: a) El número de remaches defectuosos en la muestra referida será una variable X≡B(50. el 98% de los lotes serán aceptados.99 50 + ⎜ ⎟ ⋅ 0.980 ⎜0 ⎟ ⎜1 ⎟ ⎜2⎟ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ Es decir. pues éstas son independientes.95 50 ≤ 0. la varianza de una variable binomial.62 .. la variable que representa los remaches defectuosos será Y=B(n. por ello: V.10. Deberemos seleccionar n de manera que se cumpla que P(Y=0)≤0..010 ⋅ 0. su esperanza matemática será: ⎡n ⎤ n E( X) = E ⎢∑ Yi ⎥ = ∑ E( Yi ) = n ⋅ p ⎣ i =1 ⎦ i =1 E( X) = n ⋅ p V.99 48 = 0. Yi.2.2.99 49 + ⎜ ⎟ ⋅ 0.Varianza Como en el apartado anterior.05). b) El número de remaches defectuosos en la muestra sería la misma variable del apartado anterior y la probabilidad de aceptar al lote sería: Pa=P(X≤2)=P(X=0)+P(X=1)+P(X=2) ⎛ 50 ⎞ ⎛ 50 ⎞ ⎛ 50 ⎞ Pa = ⎜ ⎟ ⋅ 0.011 ⋅ 0.10 ⎜0 ⎟ ⎝ ⎠ operando obtenemos: n≥45 remaches V. es decir: ⎛n⎞ P(Y = 0) = ⎜ ⎟ ⋅ 0.012 ⋅ 0.Media Por ser X≡B(n. c) Si los remaches defectuosos en el lote son un 5% y seleccionamos al azar n remaches. es la suma de las varianzas de las variables dicotómicas que la definen.0. la probabilidad obtenida indica que el 7’6% de las muestras de 50 remaches que pudiéramos obtener al azar del lote propuesto tendrían exactamente dos remaches defectuosos.3.

X es una variable aleatoria binomial de parámetros n y p. Si X es la frecuencia absoluta con que ocurre el suceso A de probabilidad P(A)=p al efectuar n repeticiones independientes de un cierto fenómeno aleatorio. sea X1≡B(n1. las funciones características son. (Anexo I).2.Adición Si X1 y X2 son variables Binomiales independientes con idéntico parámetro p. p)} V.5. se cumple que: { Si X1≡ B(n1. En consecuencia. respectivamente: ϕ X1 ( t ) = p ⋅ eit + q ( ) n1 ϕ X 2 ( t ) = p ⋅ eit + q ( ) n2 por ser X1 y X2 independientes. y teniendo en cuenta la correspondencia biunívoca entre función de distribución y función característica establecida por el teorema de la inversión.. En consecuencia. se enuncia así: La frecuencia relativa con que se presenta un suceso A de probabilidad p al efectuar n repeticiones independientes del experimento al que va asociado converge en probabilidad a p. p) y X2 ≡ B(n2 .p) y X2 ≡B(n2.3..p). la función característica de la suma es el producto de las funciones características: ϕ X1 + X 2 ( t ) = p ⋅ eit + q ( ) n1 + n 2 que es la función característica de una variable Binomial de parámetros n1+n2 y p.Capítulo V: Principales Distribuciones Discretas ⎡n ⎤ n D2 ( X) = D2 ⎢∑ Y i⎥ = ∑ D2 ( Yi ) ⎣ i =1 ⎦ i =1 por lo tanto: D2 ( X) = n ⋅ p ⋅ q y la desviación típica es: σX = n ⋅ p ⋅ q V.63 . p) independientes} ⇒ { X1 + X2 ≡ B(n1 + n2 . En efecto. Bernouilli en su obra póstuma Ars Conjectandi en 1713. su suma es otra variable Binomial con el mismo parámetro p. la frecuencia relativa: fr = X n es una variable aleatoria cuya media es: E(fr ) = n⋅p =p n V.TEOREMA DE BERNOUILLI Este teorema que fue publicado y demostrado (aunque de forma diferente a la que aquí se expone) por primera vez por J.

al realizar un número n grande de repeticiones. siendo ε un número arbitrariamente pequeño. pues establece que haciendo un número suficientemente grande de repeticiones. Es decir que: Si tomamos fr como estimación de p. es casi seguro que el error que cometeremos es menor que ε. V. más de una cierta cantidad prefijada. en valor absoluto. es tan poco probable como queramos que la frecuencia relativa con que ocurre el suceso A difiera de la probabilidad de A. p⋅q ≤ 1 4 Obtendremos que P fr − p ≥ ε ≤ [ ] 1 4 ⋅ n ⋅ ε2 Para un ε ∈ ℜ+ se cumple que: n→∞ lim P fr − p ≥ ε = 0 [ ] es decir: fr ⎯P p ⎯→ La interpretación práctica de este teorema es muy clara. puesto que si llamamos z=p·q=p·(1-p)=p-p2 derivando z respecto de p e igualando a 0: dz = 1 − 2p = 0 dp ⇒ p= 1 2 con d2 z = −2 < 0 dp2 entonces.64 .Capítulo V: Principales Distribuciones Discretas y cuya varianza y desviación típica son: D2 (fr ) = 1 p⋅q n⋅p ⋅q = 2 n n D(fr ) = p⋅q n Por el teorema de Bienaymé-Tchebycheff: ⎡ p⋅q⎤ 1 P ⎢ fr − p ≥ k ⋅ ⎥≤ n ⎥ k2 ⎢ ⎣ ⎦ llamando ε a: ε =k⋅ p⋅q n tendremos que P fr − p ≥ ε ≤ [ ] p⋅q ε2 ⋅ n Teniendo en cuenta que el valor máximo de p·q es 1/4.

manteniéndose constante el valor medio λ=n·p. Pues bien: Una variable de Poisson es una variable Binomial de parámetros n y p. hagamos λ=n·p en la que λ se mantiene constante cuando n crece indefinidamente. La designaremos por X≡PS(λ).01 ⋅ 0. su ley de probabilidades. V.. tendremos que: n≥ 1 = 2500 4 ⋅ 0.Definición Sea X una variable Binomial de parámetros n y p.1 sea de δ≤0.p). para 0≤ν≤n. al estimar p mediante fr. Hagamos tender n a infinito. si deseamos que la probabilidad de cometer un error mayor que ε=0.4.12 en consecuencia.2.. será ⎛n⎞ P( X = ν ) = ⎜ ⎟ ⋅ pν ⋅ (1 − p)n − ν ⎜ν⎟ ⎝ ⎠ que puede escribirse como V. V.01. Por ejemplo. una vez fijado el error máximo ε que aceptamos cometer con una probabilidad menor o igual que δ. es decir. cuando n tiende a infinito y simultáneamente p tiende a cero. Como p= λ n p tenderá a cero cuando n tienda a infinito.1.1 en más del 99% de los casos en el que se efectúe tal estimación. si efectuamos 2500 repeticiones del experimento aleatorio.DISTRIBUCION DE POISSON V..Ley de probabilidades Si X≡B(n.4. cometeremos un error menor que 0.4.Capítulo V: Principales Distribuciones Discretas Si hacemos δ≥ 1 4nε2 entonces de donde obtenemos que P fr − p ≥ ε ≤ δ [ ] n≥ 1 4 ⋅ δ ⋅ ε2 lo que permite calcular n.65 . manteniendo el valor medio de X constante.

66 .(n − ν + 1) ν ⋅ p ⋅ (1 − p)n − ν ν! Multiplicando y dividiendo por nν : ⎡ 1 ⎤ ⎡ ν − 1⎤ 1⋅ ⎢1 − ⎥ ⋅ ⋅ ⋅ ⎢1 − n⎦ ⎣ n ⎥ ⎦ ⋅ (n ⋅ p)ν ⋅ (1 − p)n − ν P( X = ν ) = ⎣ ν! y teniendo en cuenta que λ=n·p ⎡ 1 ⋅ ⎢1 − P( X = ν ) = ⎣ ν − 1⎤ 1⎤ ⎡ ⋅ ⋅ ⋅ ⎢1 − n ⎥ ν n⎥ ⎦ ⎣ ⎦λ ν! λ⎤ ⎡ ⋅ ⎢1 − ⎥ ⋅ q− ν n⎦ ⎣ n tomando límites cuando n tiende a infinito y teniendo en cuenta que p tiende a cero (q→1) n→∞ lim P( X = ν ) = e − λ ⋅ λν ν! Luego si X es una variable de Poisson..2 0. X es discreta y toma los valores X = 0.. con probabilidades: P( X = ν ) = e − λ ⋅ λν ν! obsérvese que: ν =0 ∑ P( X = ν ) = ∑ ∞ ∞ e − λ ⋅ λν λν = e−λ ∑ = e − λ ⋅ eλ = 1 ν! ν! ν =0 ν =0 ∞ PX(x) 0.. 3.2 El número de defectos de pintura en la carcasa de una lavadora puede asumirse que es una variable aleatoria con distribución de Poisson de promedio λ=2 defectos/unidad...3 0.1 0 0 1 2 3 4 5 6 7 8 9 10 X Figura V.Capítulo V: Principales Distribuciones Discretas P( X = ν ) = n ⋅ (n − 1). a) Determinar la probabilidad de que al seleccionar al azar una carcasa de esa fabricación V. 2.Función de probabilidad de una Ps(2) Ejemplo V.2. 1. .

4.4. podemos calcular α1 =μ : it dϕ X (t ) = eλ (e −1) ⋅ λ ⋅ eit ⋅ i dt de donde: ⎡ dϕ X ( t ) ⎤ ⎢ dt ⎥ = λ ⋅ i =α1·i ⎦ t =0 ⎣ por tanto: E( X) = λ V. ¿Cuál es la probabilidad de aceptar como correcto con este control un proceso en el que se producen. b) En este caso.125 V.3.Capítulo V: Principales Distribuciones Discretas aparezcan en ella exactamente 3 defectos. se toma al azar una de las carcasas fabricadas y se acepta que el proceso es correcto si en ella encontramos 2 o menos defectos.67 .4. en promedio 5 defectos por unidad fabricada? SOLUCIÓN: a) La probabilidad pedida es: P(X = 3) = e −2 ⋅ 2 3 = 0..Media Si derivamos la función característica respecto de t y hacemos t=0. el número de defectos en cada carcasa será una variable con distribución X=Ps(5) y la probabilidad de aceptar el proceso como correcto: P ( aceptar) = P( Ps(5)≤2) = 0..Varianza Derivando nuevamente la función característica: d2ϕ X (t ) d λ (eit −1) = e ⋅ λ ⋅ eit ⋅ i dt dt 2 [ ] it it d2ϕ X (t ) = eλ (e −1) ⋅ λ2 ⋅ e2it ⋅ i2 + λ ⋅ eit ⋅ i2 ⋅ eλ (e −1) 2 dt haciendo t=0: V.18 3! en términos de frecuencia. la probabilidad anterior equivale a decir que el 18% de las carcasas fabricadas presentan exactamente 3 defectos. b) Para controlar la calidad del proceso de fabricación de las carcasas.

.68 .1.Adición La suma de dos variables de Poisson independientes es otra variable de Poisson cuyo parámetro es la suma de los parámetros de las variables sumadas.5. Por tanto: { Si X1 ≡ PS(λ1 ) y X 2 ≡ PS(λ 2 ) independientes} ⇒ { X1 + X2 ≡ PS(λ1 + λ 2 )} V. la función característica de la suma es: ϕ X1 + X 2 ( t ) = e(λ1 + λ 2 )(e it −1 ) que es la función característica de una variable de Poisson de parámetro λ1+λ2. es una variable hipergeométrica y la designaremos por X≡H(N.Capítulo V: Principales Distribuciones Discretas ⎡ d2ϕ X ( t ) ⎤ 2 2 ⎥ = λ + λ ⋅i ⎢ 2 ⎣ dt ⎦ t = 0 ( ) de donde : α 2 = λ2 + λ 2 Como σ 2 = α 2 − α 1 . Llamemos n1 a las piezas defectuosas que hemos extraído y n2 a las piezas correctas. si X1≡PS(λ1) y X2≡PS(λ2). El número de elementos de A que resultan al extraer al azar y sin reemplazamiento n elementos de E. V..5. Extraigamos sin reemplazamiento n piezas del lote de tal forma que todas las piezas tengan la misma probabilidad de formar parte de las n piezas extraídas (n≤p·N y n≤q·N).p). En efecto.VARIABLE HIPERGEOMÉTRICA V.Definición Supongamos que un lote contiene N piezas y que de ellas p·N=N1 son defectuosas y que q·N=N2 son correctas. será: σ2 = λ2 + λ − λ2 = λ es decir: D2 ( X ) = λ V.4. Pues bien. Sea E una población finita cuyos elementos son de dos tipos: A y A . respectivamente: it it ϕX1 ( t ) = eλ1 (e −1) y ϕX 2 ( t ) = eλ 2 (e −1) por ser independientes.5. Lógicamente se cumple que p+q=1 y N1+N2=N. sus funciones características son.. el número de piezas defectuosas n1 se distribuye según una variable hipergeométrica. Lógicamente se cumple que n1+n2=n.n.

Capítulo V: Principales Distribuciones Discretas

La variable Hipergeométrica es discreta y toma los valores X=0, 1, 2 .., n. V.5.2.- Ley de probabilidades Recordemos que el número de subconjuntos de tamaño n que se pueden formar de un conjunto de tamaño N es:
⎛ N⎞ ⎜ ⎟ ⎜n⎟ ⎝ ⎠

éste será, por tanto, el número de posibles extracciones, todas ellas con la misma probabilidad. El número de subconjuntos de n1 elementos de un conjunto de N1 elementos es:
⎛ N1 ⎞ ⎜ ⎟ ⎜n ⎟ ⎝ 1⎠

El número de subconjuntos de n2 elementos que se pueden extraer de un conjunto de N2 elementos es:
⎛ N2 ⎞ ⎜ ⎟ ⎜n ⎟ ⎝ 2⎠

El número de subconjuntos de n elementos que tienen n1 en A y n2 en A es:
⎛ N1 ⎞ ⎛ N2 ⎞ ⎜ ⎟·⎜ ⎟ ⎜n ⎟ ⎜n ⎟ ⎝ 1⎠ ⎝ 2⎠

En consecuencia, la probabilidad de que al extraer n unidades sin reemplazamiento de ellas n1 pertenezcan a A y n2 pertenezcan a A es:
⎛ N1 ⎞ ⎛ N2 ⎞ ⎜ ⎟⋅⎜ ⎟ ⎜n ⎟ ⎜n ⎟ ⎝ 1⎠ ⎝ 2 ⎠ ⎛ N⎞ ⎜ ⎟ ⎜n⎟ ⎝ ⎠

Teniendo en cuenta que N1=p·N, que N2=q·N, que n1+n2=n, y llamando ν=n1, si X≡H(N,n,p), entonces:
⎛N ⋅ p ⎞ ⎛ N ⋅ q ⎞ ⎜ ⎜ ν ⎟ ⋅ ⎜n − ν ⎟ ⎟ ⎜ ⎟ ⎠ ⎝ ⎠ P( X = ν ) = ⎝ ⎛ N⎞ ⎜ ⎟ ⎜n⎟ ⎝ ⎠

El valor medio y la varianza de esta variable son:
E( X) = n ⋅ p

V.69

Capítulo V: Principales Distribuciones Discretas

D2 ( X ) = n ⋅ p ⋅ q ⋅

N−n N −1

V.5.3.- Convergencia Cuando N es grande en comparación con n, después de extraer cada una de las n unidades, la composición de población prácticamente no se modifica, y todo ocurre como si las extracciones fueran con reemplazamiento y, por tanto, la variable X=H(N,n,p) pasa a ser X=B(n,p). Más exactamente, la variable hipergeométrica converge en distribución a una variable binomial cuando N crece manteniendo n y p constantes.

Ejemplo V-3 Calcular la probabilidad de obtener 4 aciertos al realizar una única apuesta en la loteria primitiva. SOLUCIÓN: En la lotería primitiva existen N=49 números diferentes de los cuales Np=6 son premiados y Nq=43 no lo son. Al realizar una apuesta se seleccionan (sin reemplazamiento) 6 números diferentes. Con este planteamiento, el número de aciertos obtenidos en una apuesta es una variable hipergeométrica X = H(49, 6, 6/49). Entonces
⎛ 6 ⎞ ⎛ 43 ⎞ ⎜ ⎟⋅⎜ ⎟ ⎜4 ⎟ ⎜2 ⎟ P(X = 4) = ⎝ ⎠ ⎝ ⎠ = 9.68 ⋅10 − 4 ⎛ 49 ⎞ ⎜ ⎟ ⎜6 ⎟ ⎝ ⎠

V.6.- VARIABLE BINOMIAL NEGATIVA V.6.1.- Definición Consideremos un suceso A de probabilidad p=P(A). Efectuemos repeticiones independientes hasta que ocurra “r” veces el suceso A. Pues bien: El número de repeticiones independientes que hay que efectuar hasta que ocurra exactamente “r” veces el suceso A de probabilidad p, es una variable aleatoria Binomial Negativa y la representaremos mediante X≡BN(r,p) La variable BN(r,p) es discreta, infinito numerable y toma los valores r, r+1,r+2,... V.6.2.- Ley de probabilidades

V.70

Capítulo V: Principales Distribuciones Discretas

La variable aleatoria X≡BN(r,p) toma el valor ν, si y sólo si en las ν-1 primeras repeticiones el suceso A ocurre r-1 veces y en la repetición ν-ésima ocurre el suceso A. La probabilidad de que en ν-1 repeticiones independientes ocurra r-1 veces el suceso A de probabilidad p es:
⎛ ν − 1⎞ r −1 ν −r ⎜ ⎜ r − 1⎟ ⋅ p ⋅ (1 − p) ⎟ ⎝ ⎠

en consecuencia:
⎛ ν − 1⎞ r ν −r P( X = ν ) = ⎜ ⎜ r − 1 ⎟ ⋅ p ⋅ (1 − p) ⎟ ⎝ ⎠

V.6.3.- Media y Varianza Por derivación de ϕX(t) respecto de t obtenemos los momentos respecto al origen de primero y segundo orden. A partir de estos momentos obtenemos:
E( X) = r p

y
D2 ( X ) = r⋅q p2

Ejemplo V.4 En la centralita de teléfonos de una empresa se reciben, de modo aleatorio, un 20% de llamadas del extranjero. a) Determinar la probabilidad de que se reciban 10 llamadas hasta registrar la segunda procedente del extranjero. b) ¿Cuál es el promedio de llamadas recibidas hasta totalizar 5 procedentes del extranjero? SOLUCIÓN: a) La variable "número de llamadas recibidas hasta obtener la segunda procedente del extranjero" será, según los datos del enunciado, X=BN(2,0.20). Entonces,
⎛10 − 1 ⎞ 2 8 P(X = 10) = ⎜ ⎜ 2 − 1 ⎟ ⋅ 0.2 ⋅ 0.8 = 0.06 ⎟ ⎝ ⎠

b) En este caso la variable es X=BN(5,0.20). Entonces,
E(X) = r 5 = = 25 p 0.20

llamadas

V.71

0.…. se denomina variable k-aria. En la figura V.1) con probabilidad pk=P(Ak) La variable X = ( X1.0) con probabilidad p3=P(A3) (0. por tanto. ahora.….1. La variable aleatoria k-dimensional que indica en cada repetición cuál de los k sucesos ha ocurrido. se llama variable k-aria. Cada una de las variables marginales de una k-aria es una variable dicotómica de parámetro pi . A2. límite cuando n→∞ y p→0. Bajo distintos supuestos (extracciones sin reemplazamiento. como se cumple que: r M ∑ Xi i =1 k =1 la masa de probabilidad se encuentra en un hiperplano de dimensión k-1 y. se efectuaba una partición del Espacio Muestral E en dos sucesos que denominábamos A y A . por tanto. Así...0. una variable discreta que toma los valores que a continuación se expresan con las probabilidades que se indican: (1..1.Ak. V.0) con probabilidad p1=P(A1) (0.…. si ha ocurrido el suceso A2 tomará el valor (0.Capítulo V: Principales Distribuciones Discretas V.0.0) y. si ha ocurrido el suceso Ai la r variable X toma un valor que tiene un 1 en la componente número i y 0 en el resto.0. X2. Obsérvese que la masa de probabilidad se encuentra concentrada en dos puntos cuyas coordenadas satisfacen a X1+X2=1.72 .0.7. Observaremos.…. en general. la característica o rango de la matriz de varianzas covarianzas es r=k-1. Es..1. las diferentes variables indicaban las veces que ocurría el suceso A. etc).Definición En las variables estudiadas hasta ahora.0.…. consideraremos que se efectúa una partición de E en k sucesos denominados A1. repeticiones independientes. La variable k-dimensional discreta. el número de veces que ocurre cada uno de estos k sucesos al efectuar n repeticiones del fenómeno aleatorio.VARIABLE K-ARIA V. Xk )' indica el suceso que ha ocurrido..0) con probabilidad p2=P(A2) (0.0.3 se ha representado a la variable binaria. Aunque la variable k-aria tiene k componentes (variables marginales).….7.1. una de cuyas componentes toma el valor 1 y el resto son todo 0 y que sirve para indicar el suceso que ha ocurrido de los k sucesos en que se ha particionado E.. por ejemplo. En este apartado y en el siguiente.

V. X2 . A2.. y llamemos Xi al número r de veces que ocurre Ai. t 2 . p2 . una partición del espacio muestral E.2.. p3 . es decir: U Ai = E y i Ai I A j = ∅ i≠ j Sea pi=P(Ai).1) p2 p1 (1.Definición Sea A1..….7..t k ..Capítulo V: Principales Distribuciones Discretas X2 (0.Ak.. Xk )′ se denomina variable multinomial.VARIABLE MULTINOMIAL V...) = ∑ p j ⋅ e j =1 k it j V.73 ..Vector de medias y Matriz de varianzas-covarianzas Esta variable k-dimensional tiene como vector de medias: r μ′ = (p1. pk ) y como matriz de varianzas-covarianzas: ⎡ p1q1 − p1q2 ⎢ p2q2 −p q V=⎢ 2 1 ⎢ L L ⎢ ⎣ − pk q1 − pk q2 L − p1qk ⎤ ⎥ L − p2qk ⎥ L L ⎥ ⎥ L pk qk ⎦ V.0) X1 Figura V.Variable binaria (k=2) La expresión de la función caracteristica de esta variable es: ϕn (t1....8.3..8..1. Evidentemente: ∑ pi = 1 i =1 k Efectuemos n repeticiones independientes del fenómeno aleatorio. La variable k-dimensional X = ( X1..

que tenemos 3 sucesos A1. Supongamos también que se ha obtenido el siguiente suceso: B= A1. A la variable multinomial la representaremos mediante X≡MN(n. X3 =1) = 6! 3 p1 ⋅ p2 ⋅ p3 2 3!⋅2!⋅1 ! y en general: P(X1 = ν1.3. i =1 i =1 k k V.8...p1. L . X2 = ν 2.2. A1... 2 veces A2 y 1 vez A3. las variables Yi son independientes entre sí.Vector de medias y Matriz de varianzas-covarianzas El vector de medias de esta variable k-dimensional es: r μ′ = (n ⋅ p1... A2. supongamos que k=3 y que n=6.. Xk = νk ) = n! ν ν p1 1 ⋅ pν 2 ⋅ .. n ⋅ pk ) y la matriz de varianzas-covarianzas es: ⎡ np1q1 − np1q2 ⎢ − np2q1 np 2q2 V=⎢ ⎢ L L ⎢ − npk q1 − npk q2 ⎣ L − np1qk ⎤ ⎥ L − np 2qk ⎥ L L ⎥ ⎥ L npk qk ⎦ V.Ley de probabilidades Con el fin de fijar ideas...74 .8. Todos ellos tienen la misma probabilidad.. A1.. es: X = ∑ Yi i =1 n por tratarse de repeticiones independientes.pk) V. es decir. X2 = 2. si ocurre cualquiera de los sucesos que se pueden obtener del B mediante las permutaciones con repetición de 6 elementos de los que 3 son de un tipo 2 de otro y 1 de otro. ⋅ pk k 2 ν1!⋅ν 2!⋅.. A3. n ⋅ p3 . ⋅ νk ! con ∑ νi = n y ∑ pi = 1 . A2 y A3. n ⋅ p2 .Capítulo V: Principales Distribuciones Discretas Si llamamos Yi a la variable aleatoria k-aria que indica el resultado de la repetición número i. luego: P(X1 =3. A2 la probabilidad de este suceso es: 3 P(B) = p1 ⋅ p2 ⋅ p3 2 Ocurrirá 3 veces A1.. y hemos realizado 6 repeticiones del fenómeno aleatorio.p2.

produce el 25% de las piezas y la tercera prensa A3. 0. Calcular la probabilidad de que en la muestra se encuentren 2 piezas fabricadas por la prensa A1.25 3 ⋅ 0. X 3 = 1) = 6! ⋅ 0.0525 2!. SOLUCIÓN: La variable “número de piezas de cada prensa en la muestra” es una variable con distribución r X ≡ MN(6. la segunda prensa A2. 0. 3 piezas fabricadas por la prensa A2 y 1 fabricada por A3.1! V.351 = 0.40 2 ⋅ 0. La primera prensa A1.75 . produce el 40% del total de piezas. X 2 = 3. 0.25.35) La probabilidad pedida será: P(X1 = 2.3!.Capítulo V: Principales Distribuciones Discretas Ejemplo V.4. Cuando el contenedor está lleno se seleccionan de forma aleatoria 6 piezas del mismo.5 Una línea de estampación de piezas metálicas trabaja con tres prensas diferentes cuya producción se recoge en el mismo contenedor. el resto.

76 . Variables aleatorias continuas unidimensionales V.Capítulo V: Principales Distribuciones Discretas Tema 6.

CAPITULO VI: Principales distribuciones continuas. V.77 .

Al ser muchos los fenómenos reales que cumplen las condiciones enunciadas en el párrafo anterior. son algunos de los ejemplos en los que la variable Normal ha sido utilizada con gran utilidad.2. de tal forma que es poco probable que cualquiera de ellos tenga un efecto individual significativamente más importante que el resto.1.. las producciones agrícolas por unidad de superficie cultivada.. Laplace publicó en 1812 en su obra Theorie analytique des probabilites. etc. se engloban.78 .INTRODUCCION La variable aleatoria Normal (también conocida como variable de Gauss) es. actualmente. De Moivre. En 1733. el importante Teorema Central del Límite.. Mucho tiempo después fue redescubierta por Gauss al estudiar la teoría de los errores en 1809. los beneficios o pérdidas de una compañía de seguros. De forma simplificada y general.2. el teorema central del límite. por primera vez. justifica la gran importancia científica y práctica de la variable Normal. en su Miscellanea Analytica. el consumo de energía eléctrica de una determinada compañía. Los errores de medidas de magnitudes físicas o astronómicas.Capítulo VI: Principales Distribuciones Continuas VI.VARIABLE NORMAL TIPIFICADA VI. aunque de forma incompleta. VI. Bajo esta denominación. sin duda. los test de inteligencia o de personalidad.2.2. el Teorema Central del Límite. las características de calidad de numerosos productos industriales.1). ciertas distribuciones demográficas. aquel efecto sigue prácticamente una distribución Normal. a una colección de teoremas cuyo objetivo fundamental consiste en determinar las condiciones bajo las cuales una suma de variables aleatorias converge en distribución a una variable Normal. encontró por primera vez ésta variable en relación con el teorema que lleva su nombre y que estudia la distribución límite de la variable binomial.1.Definición La variable aleatoria continua cuyo campo de existencia es ℜ y cuya función de densidad es: fZ (z) = 1 2 ⋅π e − z2 2 se denomina variable aleatoria Normal Tipificada y se representa por Z≡N(0. la más importante de las variables aleatorias continuas. establece que cuando un efecto es consecuencia de numerosas causas que actúan sumando sus efectos.. VI. pues se usa eficazmente en el estudio de numerosos fenómenos reales.Representación gráfica de fZ(z) a) Asíntotas: z → −∞ lim fZ ( z ) = 0 y z → ∞ fZ ( z) = 0 lim VI.

que se representa en la figura VI. concavidad y convexidad: { f Z (z)′′ = 0 ↔ z = −1.1.79 . en z = −1 y z = +1 } {f {f Z ( z )′′ > 0 ↔ z > 1 ⇒ cóncava en z > 1 ( z )′′ < 0 ↔ Z } { } z < 1 } ⇒ {convexa en z < 1 } De todo lo anterior se deduce que la forma de la función de densidad de una variable Normal Tipificada es la de la conocida campana de Gauss. VI. z = +1 } ⇒ {ptos. c) Derivadas: fZ ( z)′ = −1 2⋅π − z2 2 −z 2⋅π ⋅e − e z2 2 − z2 2 fZ ( z )′′ = ⋅e + −z 2⋅π ⋅ (− z ) = (z 2 −1 2⋅π )⋅e − z2 2 d) Máximos y mínimos: f Z ( z )′ = 0 ↔ z = 0 ⎫ ⎬ ⇒ máximo en z = 0 f Z (0)′′ < 0 ⎭ e) Crecimientos y decrecimientos: {f Z (z)′ > 0 ↔ z < 0} ⇒ {creciente en z < 0} {f Z (z)′ < 0 ↔ z > 0} ⇒ {decreciente en z > 0} f) Puntos de inflexión.1. fZ(z) 0 Z Figura VI. b) Simetría: fZ(z)=fZ(-z) El eje de ordenadas es eje de simetría..Función de densidad de la variable Normal Tipificada. de inflex.Capítulo VI: Principales Distribuciones Continuas El eje de las x es asíntota.

bajo la función de densidad.Manejo de tablas En la tabla más usada se representan..DISTRIBUCION NORMAL GENERAL VI.2...2.Capítulo VI: Principales Distribuciones Continuas VI.6.. es decir.2. P(Z ≥ z α ) = α Fácilmente se obtiene que: φ(zα)=1-α fZ(z) φ(z) α z 0 zα Z Figura VI. la probabilidad de que una variable Normal Tipificada tome un valor menor o igual a ese z.3.5. Nomenclatura. De esta forma escribiremos: P( Z ≤ z) = φ( z ) Mediante zα designaremos el valor de una variable Normal Tipificada que a su derecha tiene. VI.1).. para distintos valores de z. VI. es decir el valor de la función de distribución FZ(z).2. Designaremos a la variable mediante la letra Z y a sus valores por z.3.80 .Distribución de una N(0. el valor de z que tiene una probabilidad α de ser superado. un área igual a α. a la función de distribución la representaremos mediante φ.Media y Varianza μ Z = E( Z ) = 0 y σ 2 = D 2 (Z) = 1 Z VI.Nomenclatura Para la variable Normal Tipificada reservaremos una notación específica.

σX).2.. Con el fin de simplificar la escritura. utilizaremos la nomenclatura X≡N(μX.1. la función de densidad de la variable Normal General será: 1 σ X ⋅ 2π − (x − μ X )2 2⋅σ 2 X fX ( x ) = e que depende de los parámetros μX y σX. y siempre que no haya lugar a confusión. lo que justifica el que designemos e esta variable mediante X≡N(μX.E(Z)+b=a·0+b=b μX=E(X)=b D2(X)=a2·D2(Z) σ2 = a2 X y σX = a Por lo tanto. es una variable Normal General.3.3.1).Función de densidad Teniendo en cuenta que entre Z y X existe una correspondencia biunívoca se cumple que: fX ( x ) = fZ [z( x )] ⋅ dz dx 2 como: fZ ( z) = 1 2⋅π e− z 2 y dz 1 = dx a entonces: fX ( x ) = 1 2π ⋅e 1 ⎡ x −b ⎤ − ⎢ ⎥ 2⎣ a ⎦ 2 ⋅ 1 a Como: es: y de donde: E(X)=a.Definición Llamaremos variable aleatoria Normal Unidimensional General a toda transformada lineal de una variable aleatoria Normal Tipificada. designaremos por μ a μX y por σ a σX. VI. si Z≡N(0. Por tanto.σX) para designar a una variable aleatoria con distribución Normal. Si μX=E(X) y σX=D(X).Capítulo VI: Principales Distribuciones Continuas VI. la variable: X=aZ+b en la que a y b son constantes..81 . VI.

es decir.3. Determinar la proporción de piezas que no cumplen los requisitos de la especificación.3. pues a partir de la función de distribución de una Normal Tipificada es posible deducir la de cualquier variable Normal General. Sea X1≡N(μ1.82 .Adición Cualquier combinación lineal de variables aleatorias Normales independientes es una variable aleatoria Normal. En efecto. además de imposible.σ1) y X2≡N(μ2. a2 ⋅ σ1 + b2 ⋅ σ2 ⎞ ⎜ 2 ⎟ ⎝ ⎠ VI. sería innecesario. sea X≡N(m.80)+P(X>5.σ).0. entre los centros de dos taladros realizados en una pieza metálica es una variable aleatoria con distribución X≡N(5.5. Z= X−μ = N(0.1).25) Por ser X continua: VI.80 cm y 5..σ2) y hagamos Y=a·X1+b·X2.Manejo de tablas Para tabular la función de distribución de una variable Normal General. La proporción de piezas defectuosas obtenidas coincidirá con: p= P(X<4. expresada en cm.. SOLUCIÓN: No cumplirán los requisitos establecidos aquellas piezas en las que la distancia entre centros sea menor que 4. la referida distancia debe estar comprendida entre 4. entonces 2 Y ≡ N ⎛ a ⋅ μ1 + b ⋅ μ 2 .25 cm.1) σ La función de distribución de X será: x−μ⎞ ⎛ x−μ⎞ ⎛ ⎛ X−μ x−μ⎞ FX ( x ) = P( X ≤ x ) = P ⎜ ≤ ⎟ ⎟ = φ⎜ ⎟ = P ⎜Z ≤ σ ⎠ σ σ ⎠ ⎝ σ ⎠ ⎝ ⎝ es decir: ⎛ x−μ⎞ FX ( x ) = φ ⎜ ⎟ ⎝ σ ⎠ Ejemplo VI.3. por definición. sería necesario elaborar una tabla para cada par de valores reales μ y σ. Para que la pieza pueda ser utilizada. lo que.Capítulo VI: Principales Distribuciones Continuas VI.80 cm o mayor que 5.25 cm. la variable X−μ σ se distribuye según una Normal Tipificada.1 La distancia.

0228 + 1 − 0.80)+P(X>5.4. De forma análoga. VI. VI. a su vez. unas variables tienden en distribución a otras.… es una sucesión de variables aleatorias. la variable de Poisson tipificada converge en distribución a una variable Normal Tipificada cuando λ tiende a infinito.1.4.1 ⎠ es decir.Xn.25 − 5 ⎞ p =φ⎜ ⎟ +1 − φ ⎜ ⎟ = 0. sería conveniente conocer cuándo la distribución de una variable aleatoria puede ser sustituida por la de otra sin que se cometan errores importantes en el cálculo de probabilidades.25)= P(X≤4. El Teorema de De Moivre es un caso particular del teorema de Lindenberg-Levy.p) es X=ΣYi en la que Yi≡D(p) e independientes.3% de las piezas no cumplen los requisitos de especificación.Capítulo VI: Principales Distribuciones Continuas p= P(X≤4. una sucesión de variables aleatorias que converge en distribución a una variable Normal Tipificada cuando n tiende a infinito. se cumplen las hipótesis del teorema de Lindenberg-Levy y.5. hemos visto que. por tanto. y hacemos crecer indefinidamente a este parámetro dándole valores naturales.1 ⎠ ⎝ ⎝ 0.APROXIMACIONES DE VARIABLES ALEATORIAS Tanto en este capítulo como en el anterior. Para fines prácticos. Por tanto. es decir. en consecuencia.TEOREMA CENTRAL DEL LIMITE Bajo esta denominación se engloban una serie de teoremas cuyo objetivo final consiste en determinar las condiciones bajo las cuales una sucesión de variables aleatorias converge en distribución a una variable Normal.83 . el 4.X2. En efecto. y establece que la variable binomial tipificada converge en distribución a una variable Normal tipificada cuando n tiende a infinito. todas ellas con la misma distribución e independientes... bajo determinadas condiciones.80)+[1-P(X≤5. VI. Por su generalidad e importancia enunciaremos sin demostrarlo el de Lindenberg-Levy. si X es una variable de Poisson de parámetro λ. podemos considerar que X es suma de λ variables de Poisson de parámetro unidad independientes entre sí.25)] Tipificando y mirando en tablas se obtiene que: ⎛ 4. si X≡B(n. VI.Teorema de Lindenberg-Levy Si X1. se cumplen las hipótesis del teorema de Lindenberg-Levy.….043 0. si tipificamos X estamos tipificando la suma de n variables aleatorias todas ellas con la misma distribución e independientes.9798 = 0. su suma tipificada es. y..80 − 5 ⎞ ⎛ 5.

a su vez. Si X es una variable Binomial de parámetros n y p se cumplirá: ⎛ X − np a − np ⎞ ⎛ ⎞ ⎟ ≅ P ⎜ Z ≤ a − np ⎟ P( X ≤ a) = P ⎜ ≤ ⎜ npq ⎜ npq ⎟ npq ⎟ ⎝ ⎠ ⎝ ⎠ de donde: P( X ≤ a) ≅ P Z ⋅ npq + np ≤ a = P( Y ≤ a) ( ) en la que Y. En consecuencia si X≡PS(λ) es: ⎡X − λ a − λ⎤ ⎡ a −λ⎤ P( X ≤ a) = P ⎢ ≤ ⎥ ≅ P ⎢Z ≤ ⎥ λ ⎦ λ ⎦ ⎣ λ ⎣ de donde: P( X ≤ a) = P Z λ + λ ≤ a = P( Y ≤ a) ( ) en la que Y. la aproximación es adecuada. a su vez. p) ≅ PS(λ = np) } d) Utilizando la función característica se puede poner de manifiesto que la variable de Poisson tipificada converge en distribución a una variable Normal Tipificada. {np ≥ 18} ⇒ { X ≡ B(n.Capítulo VI: Principales Distribuciones Continuas a) En el tema anterior. p ≤ 0. si np≥18 la aproximación es aceptable. En concreto. si n≥50 y p≤0. la correspondiente variable Hipergeométrica se puede aproximar por una variable Binomial. si N/n≥10. una variable Normal de media λ y desviación típica λ . la distribución de una variable de Poisson puede ser aproximada por la de una variable Normal. { n ≥ 50. permaneciendo constante el producto np=λ. Luego si λ es grande. En la práctica. una variable Normal de media np y desviación típica npq . En concreto. ⎧N ⎫ ⎨ ≥ 10 ⎬ ⇒ n ⎩ ⎭ { H(N. la variable Binomial tipificada. y para fines prácticos. es. Luego si n es grande. la aproximación es adecuada. p) ≅ N (np. n. es. p)} b) Según el teorema de Moivre. VI. por ser una transformada lineal de una Normal Tipificada.84 .1 } ⇒ { X ≡ B(n. vimos que cuando la fracción de muestreo sin reemplazamiento es pequeña en comparación con el tamaño de la población. p) ≅ B(n. la distribución de una variable Binomial puede ser aproximada por la de una variable Normal. no estudiado un este obra. En concreto. npq )} c) En el capítulo anterior. si λ≥18 la aproximación es aceptable.1. converge en distribución a una variable Normal Tipificada. por ser una transformada lineal de una Normal Tipificada. se definió a la variable de Poisson como la variable límite de una Binomial cuando n tiende a infinito y p a cero.

1 Ps(np) Ps(λ) n·p≥15 n·p≥15 N(np.3 0.3b.12 0.0.p) N/n≥10 n≥50 p≤0.1) PX(x) 0.2 0. npq ) N(λ.2.08 0. en la figura VI. Representación de una B(10.p) Figura VI.4 0. λ )} En la figura VI.2 0. H(N.Capítulo VI: Principales Distribuciones Continuas { λ ≥ 18 } ⇒ { X ≡ PS(λ ) ≅ N ( λ. λ ) λ≥15 B(n.3 se ha representado la función de probabilidad de una variable binomial con p=0.1 y valores de n crecientes.2.04 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 X Figura VI. PX(x) 0.Aproximaciones entre distribuciones Para ilustrar estos conceptos.1) VI. Representación de una B(50.16 0.. se resumen las aproximaciones expuestas en este apartado.3a.n.1 0 0 1 2 3 4 5 6 7 8 9 10 X Figura VI.0.85 .

1.6.b] VI. puede calcularse a partir de: ∫ de donde: X fX ( x ) ⋅ dx = ∫ c ⋅ dx = 1 b a ⎧ 1 ⎪ fX ( x ) = ⎨ b − a ⎪ ⎩0 para a ≤ x ≤ b en el resto La función de distribución la obtenemos por integración de la función de densidad: ⎧0 ⎪ ⎪x − a FX ( x ) = ⎨ ⎪b − a ⎪1 ⎩ x<a a≤x≤b x>b La representación grafica de su función de densidad y su función de distribución se muestran en la figura VI.15 0.OTRAS VARIABLES CONTINUAS VI. Dado que su función de densidad es constante.Capítulo VI: Principales Distribuciones Continuas PX(x) 0. b] con densidad de probabilidad constante en todos sus puntos.1) VI.0.Función de densidad y de distribución de una variable U[a.09 0.4... se denomina distribución uniforme y se representa como X≡U[a. fX(x)=c.6.3c.06 0.4.b]. fX(x) FX(x) 1 1/(b-a) a b X a b X Figura VI. Representación de una B(100..12 0.86 .03 0 0 1 2 3 4 5 6 7 8 9 10111213141516 171819 20 2122232425 X Figura VI.Distribución Uniforme La distribución que tiene una variable continua que toma valores en el intervalo [a.

Si un viajero llega al punto de salida en un momento al azar. b) El tiempo medio de espera. X=U[0.87 .Distribución Exponencial Se denomina distribución exponencial a la distribución de una variable continua cuya función de densidad es: ⎧λ ⋅ e−λ⋅x fX ( x ) = ⎨ ⎩0 para x ≥ 0 para x < 0 Dicha variable se representa como X≡EXP(λ). La función de distribución es: FX ( x ) = 0 FX ( x ) = para x<0 x 0 ∫ λ ⋅ e − λ ⋅ x ⋅ dx = 1 − e − λ ⋅ x para x≥0 VI.Capítulo VI: Principales Distribuciones Continuas La media y la varianza de esta distribución son: E( X) = a+b 2 D2 ( X) = (b − a)2 12 Ejemplo VI. a) La probabilidad de que tenga que esperar como máximo 3 minutos es P(X ≤ 3) = FX (3) = 3 −0 = 0.2.10]. es decir. 2 VI. SOLUCIÓN: El tiempo de espera del viajero puede modelizarse como una variable con distribución uniforme entre 0 (cuando el viajero llega justo antes de la salida) y 10 minutos (cuando llega justo después de la salida del último autobús). calcular: a) La probabilidad de que tenga que esperar 3 minutos como máximo..30 10 − 0 b) El tiempo medio de espera será: E(X) = 0 + 10 = 5 min.6.2 De una estación de autobuses sale un vehículo cada 10 minutos.

la probabilidad de que la duración de una componente supere un tiempo t+s sabiendo que la componente ya ha sido operativa durante el tiempo t.. fX(x) FX(x) 1 λ X X Figura VI.Capítulo VI: Principales Distribuciones Continuas En la figura VI. Si establecemos que la fiabilidad de una componente para una misión de duración x=t unidades de tiempo es la probabilidad de que la duración de dicha componente supere el tiempo t.5 se muestran la función de densidad y la función de distribución de esta variable. En efecto: P (X > t + s X > t ) = P (X > t + s ∩ X > t ) P (X > t + s) e − λ ⋅( t + s ) = = = e − λ ⋅s P( X > t ) P( X > t ) e− λ⋅t Luego P (X > t + s X > t ) = P( X > s) VI.Función de densidad y de distribución de una variable EXP(λ) La variable exponencial modeliza adecuadamente la duración aleatoria de componentes eléctricos. depende solo de la diferencia de tiempos s y no del instante inicial t considerado. donde λ es la tasa de fallos. el parámetro λ recibe el nombre de tasa de fallos del sistema y mide el número de fallos por unidad de tiempo. si el sistema es reparable. Del mismo modo. electrónicos o mecánicos en su periodo de vida útil.88 . la expresión de dicha probabilidad será: P( X > t ) = 1 − FX ( t ) = e − λ ⋅t con t≥0 Una característica importante de esta distribución es que “carece de memoria”. esta variable modeliza el tiempo entre dos fallos en un sistema de múltiples componentes en el periodo de vida útil.5. La media y varianza de esta distribución son respectivamente: E( X) = 1 λ D2 ( X) = 1 λ2 El tiempo medio hasta que se produce el fallo de un componente o un sistema complejo recibe el nombre de MTTF (Mean Time To Failure) y vale 1/λ. En este caso. Es decir. la media recibe el nombre de tiempo medio de buen funcionamiento MTBF (Mean Time Between Failures) con el referido valor 1/λ.

Calcular la probabilidad de que funcione mas de 600 horas en total...607 b) Recordando la propiedad expuesta anteriormente: P(X > 600/X > 100) = P(X > 600 − 100) = P(X > 500) = 0. VI.. a). la F de Snedecor y la t de Student.. a la variable Gamma. analizaremos.1.7.Variable Chi-Cuadrado de Pearson VI. en los puntos que ahora nos son necesarios.Definición Si Z1. SOLUCIÓN: a) La duración de las lámparas tiene una distribución X=EXP(1/1000)..1.. Zn son variables aleatorias Normales Tipificadas Independientes.1. que se utilizarán en el muestreo en poblaciones Normales y que serán de uso frecuente y de gran importancia en la Inferencia Estadística.7. b) Se elige al azar una lámpara que lleva 100 horas de funcionamiento. como la Chi-cuadrado de Pearson (χ2).Algunos aspectos de la G(λ.3 La duración de ciertas lámparas de incandescencia puede considerarse como una variable exponencial de media 1000 horas de funcionamiento.89 . La probabilidad de que su duración supere 500 horas es: P(X > 500) = e − 1 ⋅500 1000 = 0.607 VI. Precisamente. Z2. De ella derivan otras variables aleatorias.DISTRIBUCIONES DERIVADAS DE LA NORMAL La variable Normal es la variable aleatoria continua más importante..1. G(λ. VI.a) 2 2 χ 2 = Z12 + Z2 + L + Zn n Para el estudio de la variable χ2.7.Capítulo VI: Principales Distribuciones Continuas Ejemplo VI.7. VI. en este capítulo se estudian dichas Variables Derivadas de la Normal.2. a) Calcular la probabilidad de que una lámpara nueva elegida al azar tenga una duración superior a 500 horas. . a la variable: se le denomina χ2 (chi-cuadrado) con n grados de libertad y se le representa 2 mediante χ n .

a) } ↔ ⎪∀ x ≥ 0. a1 + a2 ) } 2 VI. que es: Γ(a) = ∫ ∞ e − x ⋅ x a −1 ⋅ dx ∀ a>0 0 y recordando que: Γ(½) = π podemos definir a la variable aleatoria Gamma de la siguiente forma: { X ≡ G(λ.a) es: ⎡ i⋅t⎤ ϕ X( t ) = ⎢1 − ⎥ λ⎦ ⎣ −a Adición Si las variables aleatorias: X1 ≡G(λ.7.3.1) y X=Z2. respectivamente: ⎡ i⋅ t⎤ ϕ X1 ( t ) = ⎢1 − ⎥ λ⎦ ⎣ − a1 −a2 ⎡ i⋅t⎤ y ϕ X 2 ( t ) = ⎢1 − ⎥ λ⎦ ⎣ son independientes. a2 ) son indepen. entonces: ⎡ i⋅t⎤ ϕ X1 + X 2 ( t ) = ϕ X1 ( t ) ⋅ ϕ X 2 ( t ) = ⎢1 − ⎥ λ⎦ ⎣ −( a 1+ a 2 ) de donde: { Si X1 ≡ G(λ .Función de densidad de una χ1 Sea Z≡N(0.Capítulo VI: Principales Distribuciones Continuas Definición Si por Γ(a) designamos a la Gamma de Euler.} → { X1 + X2 ≡ G(λ.90 . a1) y X2 ≡ G(λ ..1. fX ( x ) = e ⎨ ⎪ ⎩ ⎧ −λ x ⋅ (λ ⋅x )a − 1⋅ λ ⎫ ⎪ ⎬ Γ(a) ⎪ ⎭ Función característica La función característica de una G(λ.a1) y X2 ≡G(λ. la función de distribución de X será: FX ( x ) = P( X ≤ x ) = P( Z ≤ x ) = P − x ≤ Z ≤ x = 2 [ ] ∫ + x − x 1 2π ⋅e − z2 2 ⋅ dz VI.a2) cuyas funciones características son.

Teniendo en cuenta que una χ 1 es una Gamma y que la suma de Gammas independientes es otra Gamma.91 . n ) 2 n n i =1 i =1 por tanto.4..5. su función característica será: i⋅t ⎤ ⎡ ϕχ 2 ( t ) = ⎢1 − n 1/ 2 ⎥ ⎣ ⎦ − n 2 VI.1.Capítulo VI: Principales Distribuciones Continuas Teniendo en cuenta la simetría de la distribución Normal. tendremos que: FX ( x ) = 2 ⋅ ∫ x 0 1 2π ⋅e −z2 2 ⋅ dz La función de densidad de X será: fX ( x ) = − dFX ( x ) 1 1 = 2⋅ ⋅e 2⋅ dx 2π 2⋅ x x que puede ser escrita: fX ( x ) = e − 1 x 2 ⋅x − 1 2 1 2 2 ⋅ Γ (2 ) que. su función de densidad será: − x 2 fχ 2 ( x ) = n e − λ ⋅ x ⋅ (λ ⋅x )a −1⋅ λ = Γ(a) e ⎡x ⎤2 1 ⋅⎢ ⎥ ⋅ 2 ⎣2⎦ Γ (n ) 2 n −1 es decir: fχ 2 ( x ) = n e − x 2 n ⋅ x2 −1 2 2 ⋅ Γ (n ) 2 n VI. es decir: 2 1 1 χ1 ≡ G ( 2 . 2 ) 2 VI.Función característica 2 Por ser χ n una Gamma de parámetros λ=½ y a=n/2. por otra parte.7. es la función de densidad de una variable aleatoria Gamma de parámetros λ=1/2 y a=1/2. será: 2 2 1 1 1 χn = ∑ (χ1 )i = ∑ Gi ( 2 . 2 ) = G ( 2 .7..1. una χ n es la suma de n χ 1 independientes.Distribución de una χn 2 2 2 Por definición.

Para grados de libertad superiores a los máximos de la tabla (n>30). a partir de éstos la media y la varianza. Es una tabla de doble entrada que. resulta: 2 E( χn ) = n derivando nuevamente respecto a t: n ⎛n ⎞ − −2 ϕχ 2 ( t )′′ = ⎜ + 1⎟ ⋅ n ⋅ (1 . se puede utilizar una 2 aproximación basada en el hecho de que la transformada de una χn definida por: 2 2 ⋅ χn − 2 ⋅ n − 1 converge en distribución a una variable N(0.1) (Ver anexo I).. es decir. D 2 2 ⋅ χn − 2 ⋅ n − 1 ⎯⎯→ Z ≡ N(0.Media Y Varianza 2 Mediante las derivadas primera y segunda de la función característica de una χn .Manejo de tablas 2 La tabla de la χ2 más usada.7.1) de donde: VI.92 .7.2 ⋅ i ⋅ t ) 2 ⋅ i ⋅ ( −2 ⋅ i) n ⎝2 ⎠ de donde haciendo t = 0. contiene los valores χn ( α ) de la variable que teniendo n grados de libertad.1. podemos calcular sus momentos respecto al origen y.Capítulo VI: Principales Distribuciones Continuas de donde: ϕχ 2 ( t ) = [1 − 2 ⋅ i ⋅t ] n − n 2 VI. se obtiene: α2=(n+2)·n=n2+2·n 2 Como σ2 = α 2 − α1 . tienen una probabilidad α de ser superados. dϕ χ 2 ( t ) n dt =− n n n − −1 − −1 ⋅ (1 − 2 ⋅ i ⋅ t ) 2 ⋅ ( −2 ⋅i) = n ⋅ i ⋅ (1 − 2 ⋅ i ⋅ t ) 2 2 de donde.6. nos proporciona χn ( α ) . resulta: 2 D2 ( χn ) = 2 ⋅ n VI.7. haciendo t=0 y dividiendo por i. en 2 función de los parámetros n y α..1.

.05 o de 0.7.2.n 2 = 2 χ n1 /n1 2 χ n2 /n2 VI. [ ] VI.Función de densidad La función de densidad de esta variable es: fF ( x ) = n12 ⋅ n22 ⋅ x 2 .1038 ) VI. los valores de Fn1. por ejemplo F4.2. n1 n2 n1 −1 β ( n1 n 2 2 2 )⋅ ( n 2 + n1 ⋅ x ) n 1+ n 2 2 VI.599)≅ φ ( 2 ⋅ 20. se deduce que la P( χ30 ≤20..05 y α =0.01.10.Definición La variable F de Snedecor se define como el cociente de dos variables χ2 independientes divididas por sus respectivos grados de libertad. se recogen para n1 grados de libertad del numerador y para n2 grados de libertad del denominador.10 = 5. es decir: Fn 1 .) n 2 = α 0. obtenemos: 2 P( χ30 ≤ 20.. Utilizando la aproximación.93 .2.Capítulo VI: Principales Distribuciones Continuas 2 2 P(χn ≤ a) = P ⎛ 2 ⋅ χn ≤ 2 ⋅ a ⎞ ⎜ ⎟ ⎝ ⎠ por tanto 2 2 P(χn ≤ a) = P ⎛ 2 ⋅ χn − 2 ⋅ n − 1 ≤ 2 ⋅ a − 2 ⋅ n − 1 ⎞ ⎜ ⎟ ⎝ ⎠ es decir: 2 P(χn ≤ a) ≈ P Z≤ 2 ⋅ a − 2 ⋅ n − 1 ( ) o lo que es lo mismo: 2 P(χn ≤ a) ≈ φ ( 2⋅a − 2⋅n −1 ) 2 Por ejemplo.7. Así.Manejo de tablas En la tabla de más frecuente uso.3.Distribucion F de Snedecor VI. lo que será representado mediante: (α P Fn1.2.599 − 59 = φ( −1.01 para α=0.99 .1.599)=0. n2 que tienen una probabilidad de 0.2..01 de ser superados.7. n 2 ≥ Fn1.7. de las tablas de la χn2.2627 ) = 0.

1.x ≤ t n ≤ x ) es decir: FX ( x ) = ∫ + x − x ft ( t) ⋅ d t = 2 ⋅ ∫ 0 ft ( t) ⋅ dt x derivando respecto de y obtendremos la función de densidad: VI..Función de densidad La función de densidad de una tn tiene una representación gráfica muy similar a una Normal Tipificada.7. n 2 ≤ a = P ⎜ 2 1 ⎜ χ n / n2 ⎟ ⎜ χn / n1 a ⎟ a⎠ ⎝ ⎝ 2 ⎠ ⎝ 1 ⎠ ( ) es decir: 1⎞ ⎛ P Fn1.2. resulta: 2 tn = 2 Z2 / 1 χ1 / 1 = 2 = F1. n 2 χn / n χn / n 2 Si llamamos X a la variable t n se cumplirá que: 2 FX ( x ) = P(X ≤ x ) = P(tn ≤ x ) = P(.3.1669) = P ⎜ F4. es posible deducir determinadas probabilidades que no están en la tabla a partir de otros valores que si lo están..4. n 2 ≤ a = P ⎜ Fn 2 . 1 ⎞ ⎛ P(F10. n1 ≥ ⎟ a⎠ ⎝ ( ) Por ejemplo.7. tiene forma de campana y es simétrica respecto al origen.4 ≤ 0..10 ≥ ⎟ = P(F4.1669 ⎠ ⎝ VI.94 .7.10 ≥ 5. En efecto: 2 2 ⎛ χn / n1 ⎞ ⎛ χ n / n2 1 ⎞ 1⎞ ⎛ ≤ a ⎟ = P ⎜ 22 ≤ ⎟ = P ⎜ Fn 2 .Capítulo VI: Principales Distribuciones Continuas Puesto que el inverso de una F es otra F. VI.Variable t de Student VI.01 0. Si elevamos al cuadrado una tn.99) = 0. n 1 ≥ ⎟ P Fn1.Definición La variable t de Student se define como el cociente entre una Normal Tipificada Z 2 y la raíz cuadrada de una χ n dividida por sus grados de libertad.3. es decir: tn = z 2 χ n /n donde n son los grados de libertad de la tn.

n2 su función de densidad es: fY ( y ) = nn / 2 ⋅ y −1 / 2 1 β ( 2 . Si Y es una Fn1. por tanto.Media y Varianza Se puede demostrar que: E(t n ) = 0 D2 ( t n ) = n n−2 La varianza de tn.3. es mayor que la unidad. que solo existe para n>2. n2 2 2 −1 n 1 +n 2 2 n1 2 )⋅ (n + n ⋅ y ) 1 Si Y es una F1.n2 su función de densidad es: n1 n2 n1 fY ( y ) = β ( n12 n22 y 2 . VI.7. obtendremos la función de densidad de una tn. n )⋅ n + t2 2 ( ) n +1 2 t es decir: ft n ( t ) = nn / 2 1 β (2 ..4.3.7. si en la función de densidad de una F1.3. una distribución más “abierta” (dispersa) que la Normal Tipificada.Capítulo VI: Principales Distribuciones Continuas fX ( x ) = dFX ( x ) = 2 ⋅ ft dx ( x )⋅ 2 ⋅ 1 x 1 t como t2 = x fX ( t 2 ) = ft ( t) ⋅ luego: ft ( t) = t ⋅ fX ( t 2 ) Por tanto.n cambiamos y por t2 y el resultado lo multiplicamos por t.95 .Manejo de tablas VI. n )⋅ n + t2 2 ( ) n +1 2 que suele escribirse también de la siguiente forma: ⎛ t2 ⎞ ft n ( t) = ⎜1+ ⎟ ⎜ n⎟ ⎠ ⎝ − n +1 2 ⋅ Γ (n ) ⋅ π ⋅ n 2 + Γ (n2 1 ) VI. n ) ⋅(n + y ) 2 2 n +1 cambiando y por t2 y multiplicando por t obtenemos: ft n ( t ) = nn / 2 ⋅ t -1 1 β (2 .. La variable tn presenta.

α ) ) = P( t n ≥ F1.n ≥ F1.Capítulo VI: Principales Distribuciones Continuas Designamos por t(nα ) al valor de una tn tal que: P(tn ≥ t (nα ) ) = α Las tablas de la t de Student más usadas son aquellas en las que dados los grados de libertad n y la probabilidad α.n ≤ a) = P(. determinan el valor de t(nα / 2 ) .96 .pues: P(F1. el valor de tn tal que: P t n ≤ t (nα/2) = P(-t(nα/2) ≤ t n ≤ t (nα / 2 ) ) = 1 − α ( ) Algunos valores se pueden determinar usando la tabla de la Fn1 n2 .α ) n VI.α ) ) = α n n por tanto: ( t (nα/2) = F1.a ≤ t n ≤ a ) entonces: ( ( P(F1. es decir.

97 . Variables aleatorias bidimensionales VI.Capítulo VI: Principales Distribuciones Continuas Tema 7.

Capítulo IV: Variables Aleatorias

CAPITULO VII: Variables Aleatorias Bidimensionales

IV.98

MÉTODOS ESTADÍSTICOS I

VII.1.- DEFINICIÓN Llamemos Iab al intervalo de ℜ2 dado por: Iab={(X1, X2) ∈ℜ2; X1≤a; X2≤b} intervalo que se ha representado en la figura VII.1:
X2

b

Iab a
X1

Figura VII.1.- Intervalo Iab de la variable aleatoria bidimensional Dado el espacio de Probabilidades (E, F, P), diremos que la aplicación X:E→ℜ2 es una variable bidimensional si para todo intervalo I x1x 2 su original pertenece a F.

{X : E → ℜ

2

es v.a. bi dim ensional ↔ ∀ (x1, x 2 ) ∈ ℜ2 ; O(Ix1x 2 ) ∈ F

} {

}

De esta forma quedan probabilizados todos los conjuntos de ℜ2. Son ejemplos de variable aleatorias bidimensionales las parejas de valores peso-estatura de un colectivo de personas, diámetro-resistencia a la compresión de unas probetas de hormigón, número de puntos obtenidos en cada una de las caras superiores en el lanzamiento de dos dados equilibrados, etc. VII.2.- FUNCIÓN DE DISTRIBUCIÓN VII.2.1.- Definición Dada una variable aleatoria bidimensional (X1,X2), llamaremos función de distribución a:
FX1 X 2 (x1 , x2 ) = P ( X1 ≤ x1 ∩ X 2 ≤ x2 ) = P

{ (X (e ),X (e) ∈ I ) }
1 2 x1 x 2

VII.2.2.- Propiedades La función de distribución bidimensional tiene, entre otras, las siguientes propiedades: a) ∀ (x1,x2) ∈ ℜ2 es 0 ≤ FX1X 2 ( x1, x 2 ) ≤ 1

VII.99

MÉTODOS ESTADÍSTICOS I

b) c)

x 1 → −∞

lim FX1X 2 (x1, x 2 ) = lim FX1X 2 (x1, x 2 ) = 0
x 2 → −∞

x1 → ∞ x 2 →∞

lim FX1X 2 (x1, x 2 ) = 1

d) El intervalo de la figura VII.2 tiene una probabilidad:
P(a1 < X1 ≤ b1, a1 < X2 ≤ b2 ) = FX1X 2 (b1, b2 ) − FX1X 2 (a1, b2 ) − FX1X 2 (b1, a2 ) + FX1X 2 (a1, a2 )

e) Continuidad:
FX1X 2 ( x1, x 2 ) es continua por la derecha de x1 y de x2 y en puntos de probabilidad no nula

es discontinua por la izquierda de x1 o de x2.
X2 b2

a2 a1 b1 X1

Figura VII.2.- Intervalo de (X1,X2) VII.3.- VARIABLES CONTINUAS ALEATORIAS BIDIMENSIONALES DISCRETAS Y

En todo lo que sigue, y con el fin de simplificar la escritura, designaremos a la variable aleatoria bidimensional mediante (X,Y). Como en el caso de las variables aleatorias unidimensionales, también en las variables aleatorias bidimensionales existen dos tipos de variables particularmente interesantes: las variables aleatorias discretas y las variables aleatorias continuas En las variables aleatorias discretas, la masa de probabilidad se encuentra distribuida en un conjunto de puntos finito o numerable. La función de distribución se puede calcular sin más que sumar las probabilidades de los puntos incluidos en el correspondiente intervalo:
FXY ( x, y ) =
( a,b )∈I xy

∑ P[(a, b)]

en la que (a,b) representa a los puntos de Ixy con probabilidad no nula. Las variables continuas, se caracterizan por tener su masa de probabilidad distribuida según una función de densidad fXY(x,y), de tal forma que:
FXY ( x, y ) =

∫ ∫
x −∞

y −∞

fXY ( x, y ) ⋅ dx ⋅ dy

VII.100

y ) δx δy Es fácil ver que fXY(x. representa la masa de probabilidad en un punto por unidad de superficie. a2 ≤ Y ≤ b2 ) = ∫ ∫ b1 a1 b2 a2 fXY ( x. Siguiendo un razonamiento análogo al utilizado en el punto VII. se pueden calcular la función de distribución y de densidad de las variables marginales de la siguiente forma: VII.3. de la función de densidad conjunta.. A partir de la función de distribución conjunta y. a su vez.Y) Por tanto. y ) = δ2FXY ( x.MÉTODOS ESTADÍSTICOS I o lo que es equivalente: fXY ( x.y) es una función de densidad.101 . Una variable bidimensional está constituida por dos variables unidimensionales llamadas marginales.Intervalo de la variable bidimensional (X. como tales. y ) = δ2F P[(x. y ) ⋅ dx ⋅ dy VII. variables aleatorias y.y) es el límite de la masa de probabilidad por unidad de superficie cuando ésta superficie tiende a cero.6 para variables unidimensionales y utilizando la figura VII. A estas variables. se les llama variables marginales de la bidimensional.3 es: P(a1 ≤ X ≤ b1.1. tienen su propia función de distribución y sus respectivas funciones de densidad.. fXY(x. es fácil llegar a la siguiente expresión: fXY ( x. El peso y la estatura por separado son. es decir. la densidad de probabilidad en un punto.4.3. y ) ∈ A ] = lim Δx → 0 δxδy Δy →0 Δx ⋅ Δy Y b2 Δx Δy A a2 a1 b1 X Figura VII. por separado.Y) hace corresponder a cada individuo de una población su peso (X) y su estatura (Y). en el caso de variables continuas. es decir.DISTRIBUCIONES MARGINALES Supongamos que la variable bidimensional (X. La probabilidad del intervalo A de la figura VII.

∫ FXY (x. y ) ∫ FX (x) x −∞ dx ∫ +∞ −∞ f X ( x. Y < ∞ ) = lim FXY ( x. es decir FX(x) es la probabilidad de que la variable bidimensional tome un valor del intervalo rayado de la figura VII.MÉTODOS ESTADÍSTICOS I a) El valor de FX(x) es la probabilidad de que la variable X tome un valor inferior o igual a x. y ) ⋅ dy ∫ x −∞ f X ( x ) ⋅ dx dFX ( x ) dx VII. y) x −∞ dx ∫ y −∞ f X ( x.Distribución marginal de X Por tanto: FX ( x ) = P( X ≤ x ) = P( X ≤ x.4. y ) ⋅ dy ∫ fX (x) +∞ −∞ f X ( x. y) y →∞ lim FXY ( x. sea cuál sea el valor de Y. y ) y →∞ b) Por las mismas razones que las expuestas en el punto a). y ) ⋅ dy En la figura VII.4.5 se recogen las relaciones existentes entre las funciones de distribución y las funciones de densidad unidimensionales y bidimensionales.102 .. v ) ⋅ dv c) Derivando respecto a x ésta última ecuación: fX ( x ) = d FX ( x ) = dx ∫ +∞ −∞ f ( x. y ) δx ⋅ δy 2 fXY (x. se cumple que: FX ( x ) = ∫ x −∞ du ⋅ ∫ +∞ −∞ f (u. Y x X Figura VII. y ) ⋅ dy δ FXY ( x. v ) ⋅ dv = ∫ +∞ −∞ f ( x.

sea cual sea el peso.Función de distribución condicional De acuerdo con la definición anterior.6. la función de distribución condicional se escribirá: FY / X (y / x ) = lim P(Y ≤ y / x ≤ X ≤ x + h) = lim h→0 h→0 P(Y ≤ y ∩ x ≤ X ≤ x + h) P(x ≤ X ≤ x + h) Ecuación general que se puede particularizar según la naturaleza de las variables condicionada y condicionante.5.5. es decir..2.Distribución condicional de Y/X a) Ambas continuas: En este caso. y ) ⋅ dx x fX ( x ) ⋅ dx Por el teorema del valor medio: VII.5.5. por el contrario. la ecuación general se escribirá: FY / X ∫ ( y / x ) = lim h →0 x −∞ dy ∫ x +h ∫ x x +h fXY ( x. Si consideramos la distribución de estatura ignorando a la variable peso. VII. Se representa por FY/X(y/x). obtendremos la distribución marginal de la estatura. se le llama distribución condicional de Y dado X.. Una distribución marginal se obtiene al considerar la distribución de una de las dos variables de una variable bidimensional.Relación entre funciones de densidad y de distribución VII.103 . Demostramos la expresión de la función de distribución para el caso en que ambas variables sean continuas y presentamos las expresiones de dicha función en los demás casos. VII. Si.MÉTODOS ESTADÍSTICOS I Figura VII.1.DISTRIBUCIONES CONDICIONALES. Definición A la distribución de la variable Y para el valor de X=x. Y x x+h X Figura VII. consideramos la distribución de la variable estatura para los individuos de un peso determinado obtendremos la distribución condicional de la estatura para ese peso... ignorando la otra.

104 ..5. discreta o continua. yi ) PX ( x ) = yi ≤ y ∑ PY ( yi ) ⋅ PX / Y ( x / yi ) PX ( x ) VII. tanto ξ como ξ` tienden a x.7. Será: FY / X ( y / x ) = lim ∫f y −∞ XY (ξ.2. x ξ’ x+h X Figura VII. así: a) Ambas variables continuas: Derivando respecto de y a la función de distribución se obtiene: VII. y ) ⋅ h x +h x ∫ f X(ξ’) fX ( x ) ⋅ dx = fX (ξ′) ⋅ h en las que ξ y ξ′ son valores del intervalo [x. la ecuación general ahora se escribirá: FY / X ( y / x ) = P( X = x ∩ Y ≤ y ) = P( X = x ) yi ≤ y ∑ PXY ( x. y ) ⋅ dy h→0 fX (ξ′) Cuando h→0. podemos calcular la ley de probabilidades condicional o la función de densidad condicional según sea la variable condicionada.x+h] como muestra la figura VII. Luego: FY / X ∫f (y / x) = y −∞ XY ( x.Función de densidad y ley de probabilidades condicionales A partir de la función de distribución.MÉTODOS ESTADÍSTICOS I ∫ y x +h x fXY ( x.7. y ) ⋅ dx = fXY (ξ. y ) ⋅ dy fX ( x ) b) Ambas discretas: Para los puntos en los que PX(x)≠0.

según corresponda.b) es la beta de Euler: VII. su campo de existencia está entre [0.5. yi ) PX ( x ) PXY ( x. VII.3. y )dy ⎥ ⎥ fX ( x ) ⎥ ⎥ ⎦ de donde: fY / X (y / x) = fXY(x. por otra parte. obtendremos las fórmulas que se exponen a continuación: a) Ambas variables continuas: fX / Y ( x / y ) = f X ( x ) ⋅ fY / X ( y / x ) +∞ ∫ f ( x) ⋅ f −∞ X Y/X ( y / x ) ⋅dx b) Ambas discretas: PX / Y ( x / y) = PX ( x) ⋅ PY / X ( y / x) ∑ PX (xi ) ⋅ PY / X (y / xi ) xi Ejemplo VII. Esta variable es continua.1: Sea Y una variable beta de parámetros a.1] en la que β(a. -Teorema de Bayes Teniendo en cuenta las leyes de probabilidades condicionales o las funciones de densidad condicionales. era lógico obtener. y ) PX ( x ) n será: PY / X ( y / x ) = Como. y) fY (y) ⋅ fX / Y (x / y) = fX (x) fX (x) b) Ambas variables discretas: Si tenemos en cuenta que en este caso es: FY / X ( y / x ) = y ii ≤ y ∑ PXY ( x. b ) ∀ y ∈ [0 . b (Y≡ BT(a.105 .b)). pues basta con aplicar la definición de probabilidad condicional.MÉTODOS ESTADÍSTICOS I ⎡ dFY / X ( y / x ) d ⎢ ⎢ fY / X ( y / x ) = = dy dy ⎢ ⎢ ⎣ ∫f y −∞ XY ⎤ ( x.1] y su función de densidad es: fY ( y ) = y a −1 ⋅ (1 − y )b −1 β ( a.

b + n − x ) es decir: Y/X ≡ BT(a+x.y] son independientes.. la distribución “a posteriori” de la variable condicionada continúa siendo una Beta en la que sus parámetros dependen ahora del valor x de la variable condicionante X. b ) = ∫ 1 0 x a −1 ⋅ (1 − x)b −1 ⋅ dx con a>0 y b>0 Sea X/Y una variable binomial de parámetros n. Esta variable.Y) es continua. y (X/Y≡ B(n.y)). VII. En consecuencia: fY / X ( y / x ) = fY ( y ) ⋅ PX / Y ( x / y ) ∫ f (y )⋅P 0 Y 1 X /Y ( x / y )⋅ dy Sustituyendo: fY / X ( y / x ) = y a −1 ⋅ (1 − y )b −1 β ( a. entonces: VII. b ) de donde: fY / X ( y / x ) = y a + x −1 ⋅ (1 − y )b + n + x −1 β ( a + x.MÉTODOS ESTADÍSTICOS I β (a.x] e IY=]-∞. toma valores naturales entre cero y n y su ley de probabilidad es: ⎛n⎞ PX / Y ( x / y ) = ⎜ ⎟ ⋅ y x ⋅ (1 − y )n − x ⎜x⎟ ⎝ ⎠ Entonces. es discreta. es decir: P(X≤x.y) ∈ ℜ2. que será estudiada en un tema posterior.106 . b+n-x) Como puede observarse.6. y ) = FX ( x ) ⋅ FY ( y ) Si (X.VARIABLES INDEPENDIENTES Dada la variable bidimensional (X. y ) ∈ ℜ2 . la variable Y/X será continua para cada X que toma valores discretos. F( x. los sucesos IX=]-∞.Y≤y)=P(X≤x)·P(Y≤y) Por tanto: X e Y son independientes ↔ ∀ ( x.Y) diremos que las variables marginales X e Y son independientes. si para todo (x. b ) ⎛n⎞ ⋅ ⎜ ⎟ ⋅ y x ⋅ (1 − y )n − x ⎜x⎟ ⎝ ⎠ ⎛n⎞ ⋅ ⎜ ⎟ ⋅ y x ⋅ (1 − y )n − x ⋅ dy ⎜x⎟ ⎝ ⎠ ∫ 1 0 y a −1 ⋅ (1 − y )b −1 β ( a.

X2 = x 2. a: VII.v = ∑ x1. se cumplirá: es decir: fY/X(y/x) = fY(y) X e Y son independie ntes ↔ ∀ ( x. x 2 ) por una propiedad de la integral de Stieljes.i. VII. acabamos de ver que: fXY(x.v de la variable bidimensional.i) entonces: u v α u.i ⋅ P(X1 = x1. x 2 ) Si la variable es discreta..2. x 2 ) es la función de densidad: αu.7. v de la variable bidimensional.v=αv α1.5.1=μ2 Se denomina momento central de orden u.0=μ1 α0.0 = ∫ ℜ2 u x1 ⋅ dFX1X 2 (x1.i ⋅ x 2. y ) = δ2FXY ( x.y) = fX(x)·fY/X(y/x) Si las variables marginales son independientes.0 = ∫x ℜ u 1 ⋅ dFX1 (x1 ) = αu análogamente: en particular: α0. x 2 ) ⋅ dx1 ⋅ dx 2 como: αu.i. y fX1X 2 ( x1. fY / X ( y / x ) = fY ( y ) Conclusiones análogas pueden obtenerse para los demás tipos de variables condicionadas. se cumple: αu. es decir.i ) i Si la variable es continua. y ) = fX ( x ) ⋅ fY ( y ) En el apartado VII.a). y ) ∈ ℜ2 . fXY ( x.MÉTODOS ESTADÍSTICOS I fXY ( x. a: u v αu.x2. X2 = ( ) ∫ ℜ 2 u v x1 ⋅ x 2 ⋅ dFX1X 2 (x1.2.MOMENTOS Se denomina momento respecto al origen de orden u. la masa de la probabilidad se concentra en unos puntos (x1.107 .v = ∫∫ ℜ u v x1 ⋅ x 2 ⋅ fX1X 2 ( x1.v = E X1 . y ) = f X ( x ) ⋅ fY ( y ) δx ⋅ δy por tanto: X e Y son independie ntes ↔ ∀ ( x. y ) ∈ ℜ2 .

1 σ2 ⎥ ⎣ ⎦ VII.1.. X2 ) 2 que es la conocida desigualdad de Schwarz.1 = cov( X1.MÉTODOS ESTADÍSTICOS I μu.2 = σ2 2 μ1.2 = σ2 = σ2.MATRIZ DE VARIANZAS COVARIANZAS VII. se cumple: μu.0 = σ1 μ 0.8..0=μ0.0=μu μ0. X 2 ) = σ1.2 = σ2.2 2 2 2 μ1..2 = σ 2. en una recta o en el plano. 2 σ1 ⋅ σ2 ≥ cov 2 ( X1.8.1 = cov( X1. VII. X2 ) VII.v=μv en particular: μ1.0 = σ1 = σ1.Propiedades 2 a) La matriz de varianzas-covarianzas es simétrica pues σ1.1 μ 0. c) La masa de probabilidad de una variable aleatoria bidimensional se encuentra concentrada en un punto.2.2 ⎤ V = ⎢ 21 2 ⎥ ⎢σ2.1 2 b) La matriz de varianzas-covarianzas es semidefinida positiva.108 .1 o 2..9.1.1=0 Los momentos de segundo orden (u+v=2).COEFICIENTE DE CORRELACIÓN VII..v = E (X1 − μ1 ) ⋅ (X2 − μ 2 ) u [ v ] Como en el caso anterior. según que la característica o rango de la matriz V sea 0. son: 2 μ 2.X2) a: 2 ⎡ σ2 σ1.9.Definición Los momentos de segundo orden pueden ser escritos así: 2 2 μ 2.8.1 2 Se define como matriz de varianzas-covarianzas de la variable bidimensional (X1.Definición El coeficiente de correlación ρ de una variable aleatoria bidimensional se define mediante: VII. respectivamente.

. El objeto de este apartado será obtener la “mejor” función de predicción de acuerdo con un cierto criterio. si la masa de probabilidad se encuentra concentrada en una recta.Propiedades a) Por ser V semidefinida positiva. VII.. en general. el rango de la matriz de varianzas-covarianzas vale 1 y por tanto su determinante es nulo y..Regresión condicional Uno de los problemas que se plantan en numerosas aplicaciones prácticas es el de predecir los valores de una variable X2 en función de los valores que tome otra variable X1 con la que se distribuye conjuntamente.10.2. no es cierto. X2 ) 2 σ1 ⋅ σ2 2 = 2 σ1. trataremos de encontrar una función h(X1) que permita obtener valores aproximados de X2 de modo que sea mínimo el valor medio anteriormente expresado.REGRESIÓN VII. el criterio será minimizar el valor medio del cuadrado de los errores de predicción. es: 2 4 σ1 ⋅ σ2 ≥ σ1. VII.109 .1. se desprende que el coeficiente de correlación mide el grado de dependencia lineal entre X1 y X2. es decir.2 = 0 En consecuencia: { Si X1 y X2 son independientes} el recíproco. ⇒ {ρ = 0 } c) Si existe una relación lineal exacta entre las variables aleatorias X1 y X2.9. es σ1.MÉTODOS ESTADÍSTICOS I ρ= cov( X1. Por lo tanto.2 2 por lo que: ρ2 = 4 σ1.2 ≤1 σ ⋅ σ2 2 2 1 por lo tanto: −1 ≤ ρ ≤ 1 2 b) Si las variables X1 y X2 son independientes.2 σ1 ⋅ σ2 VII. entonces σ12·σ22=cov2(X1.X2) con lo que ρ2=1 y ρ=±1 { Si X2 = α + β ⋅ X1 } ⇒ { ρ = ±1 } De las propiedades anteriores.10. En este caso.

Si h(X1) es una función uniforme de X1.Definición VII. El objeto de la regresión condicional consiste en determinar h(X1) de tal forma que el valor medio del “error cuadrático” sea mínimo.110 .h(X1)]2 representa el “error” al cuadrado que se comete al tratar de predecir el valor de X2 mediante el conocimiento de X1 y utilizando para ello la función h(X1). se cumplirá que: d dh( x1 ) ∫ ℜ (x 2 − h( x1))2 ⋅ dFX X 1 2 ( x 2 / x1 ) = ∫ ∫ ℜ − 2 ⋅ (x 2 − h( x1 )) ⋅ dFX1X 2 ( x 2 / x1 ) igualando a cero la expresión anterior.Regresión lineal mínimo cuadrática VII.MÉTODOS ESTADÍSTICOS I Si h(X1) no está sujeta a ninguna restricción (salvo que sea uniforme) se le denominará curva de regresión condicional. Calcularemos h(x1) derivando la última integral respecto a h(x1) e igualando a cero: según una de las propiedades de la integral de Stieljes.10. lo es: ∫ ℜ (x 2 − h( x1))2 ⋅ dFX 2 / X1 ( x 2 / x1 ) en la que x1 y.1. Determinaremos por tanto la función h(X1) que minimiza: E (X2 − h( X1 )) [ 2 ] =∫ ℜ2 (x 2 − h( x1))2 ⋅ dFX X 1 2 ( x 2 . Si h(X1) está sujeta a la restricción de ser una recta. para x1 dado. VII...2. x1 ) expresión que puede ser escrita: E (X2 − h( X1 )) = 2 [ ] ∫ ℜ dFX1 ( x1 ) ⋅ ∫ ℜ (x 2 − h( x1))2 ⋅ dFX 2 / X1 ( x 2 / x1 ) que es mínima cuando. h(x1) son constantes. por tanto.2. ∫ es decir: ℜ h( x1 ) ⋅ dFX1X 2 ( x 2 / x1 ) = ℜ x 2 ⋅ dFX1X 2 ( x 2 / x1 ) h( x1 ) = E( X2 / x1 ) Por tanto: Llamaremos curva de regresión condicional de X2 sobre X1 al lugar geométrico de los valores medios condicionales de la variable X2 dado el valor de X1. la variable aleatoria [X2.10. se le denominará recta de regresión lineal minimo cuadrática.

Se llama recta de regresión mínimo cuadrática de X2/x1 a la recta ˆ x 2 = α + β ⋅ x1 r que minimiza la expresión: ˆ 2 E ⎡ X 2 − X2 ⎤ ⎢ ⎥ ⎣ ⎦ ( ) en la que ˆ X 2 = α + β ⋅ X1 VII. es decir.2.c. X2 ) una variable aleatoria bidimensional. que la r.111 .Cálculo de los parámetros Llamaremos residuo a la variable aleatoria a Debemos minimizar: U = X2 -(α+β·X1) z = E(U2) = E[(X2 -(α+β·X1))2] derivando respecto de α y teniendo en cuenta la propiedad c) de la esperanza matemática: dz d ⎡ d 2 (X2 − α − β ⋅ X1 )2 ⎤ = E (X2 − α − β ⋅ X1 ) = E ⎢ ⎥ dα dα ⎣ dα ⎦ [ ] es decir: dz = E [− 2 ⋅ (X2 − α − β ⋅ X1 )] dα aplicando el operador E e igualando a cero: μ2-α-β·μ1=0 por tanto: α = μ 2 − β ⋅ μ1 Despejando μ2: μ2=α+β·μ1 lo que indica que el punto (μ1. X2).r.MÉTODOS ESTADÍSTICOS I Sea X = ( X1. μ2) satisface las condiciones de la recta.10.. Sustituyendo el valor de α en la definición de U: U=X2-(μ2-β·μ1)-β·X1=(X2-μ2)-β·(X1-μ1) y z será: z = E (( X 2 − μ 2 ) − β ⋅ ( X1 + μ1 )) [ 2 ] derivando z respecto de β e igualando a cero se obtiene: VII. pasa por el punto medio de la distribución de (X1.2.m.

MÉTODOS ESTADÍSTICOS I dz = E − 2 ⋅ ( X1 − μ1 ) ⋅ ( X2 − μ 2 ) − β ⋅ ( X1 − μ1 )2 dβ [ ( )]= 0 tomando la esperanza matemática: 2 cov (X1. cuya expresión es ρ= cov( X1. X2 ) σ1 ⋅ σ2 σ2 ⋅ρ σ1 tendremos que β= por lo que si ρ=0 entonces β=0 y la recta de regresión mínimo cuadrática coincide con ˆ X2 = μ 2 Ejemplo VII. es: cov (X1. X2 ) − β ⋅ σ1 = 0 por tanto: β= cov (X1.μ2) y su pendiente es β. X 2 ) ˆ X2 − μ 2 = ⋅ (X1 − μ1 ) 2 σ1 Esta recta pasa por el punto (μ1.112 .c.r. Si ponemos β en función del coeficiente de correlación.3 La variable aleatoria (X.m. X2 ) 2 σ1 Sustituyendo α en la ecuación de la recta de regresión se obtiene: ˆ X2 = μ 2 − β ⋅ μ1 + β ⋅ X1 = μ 2 + β ⋅ (X1 − μ1 ) Sustituyendo ahora el β por su valor tendremos que la r.Y) se distribuye con densidad uniforme en el interior del recinto delimitado por las rectas: y=0 x=0 y=1 x+y=2 Calcular: a) La curva de regresión condicional de X/Y y de Y/X b) La recta de regresión mínimo cuadrática de Y/X y de X/Y c) El coeficiente de correlación ρ SOLUCIÓN: VII.

2 ] . de Y/X: ˆ Y = E(Y/X) = ∫ y ⋅f Y Y/X (y/x) ⋅ dy Deberemos conocer. ∀ y ∈ [0.r. y) ⋅ dy = ⎨ ⎪ ⎪ ⎩ ∫ ∫ 1 0 2− x 2/3 ⋅ dy = 2 3 ∀ x ∈ [0.10.10. y) = 1 1 2 = = Area A 3/2 3 Y A 1 2 X Figura VII.1] 0 2/3 ⋅ dy = 2 fY (y) = ∫ X f XY (x.c.Campo de existencia de (X.r. y) ⋅ dx = ∫ 2/3 ⋅ dy = 3 ⋅ (2 − y) 0 2−y Las funciones de densidad condicionales son: f X/Y (x/y) = f XY (x.MÉTODOS ESTADÍSTICOS I a) La c. 2 − y ] .1] .1] ∀ x ∈ [1. por lo tanto.r..1] 2 ⋅ (2 − x) 3 ∀ x ∈[ ] 1. las correspondientes funciones de densidad condicionales. y) 2/3 1 = = fY (y) 2/3 ⋅ (2 − y) 2 − y ∀ x ∈ [0.Y) Las funciones de densidad marginales son: f X (x) = ∫ Y ⎧ ⎪ ⎪ f XY (x. la función de densidad conjunta será: f XY (x. de X/Y es ˆ X = E [X/Y ] = ∫ 2 −y 0 x ⋅ 2 1 y ⋅ dx = − 2−y 2 ∀ y ∈ [0.c. ∀ y ∈ [0.c. de X/Y es: ˆ X = E(X/Y) = ∫ x ⋅f X X/Y (x/y) ⋅ dx y la c.2 ∀ y ∈ [0. 2 − x ] ⎧ 2/3 ⎪ 2/3 = 1 ⎪ fY/X (y/x) = ⎨ 2/3 1 ⎪ = ⎪ 2/3 ⋅ (2 − x) 2 − x ⎩ Sustituyendo en las ecuaciones correspondientes obtenemos que la c. ∀ y ∈ [0.1] ∀ x ∈ [0.1] VII.113 . Dado que la variable tiene densidad uniforme en el recinto A de la figura VII.

Curva de Regresión Condicional X/Y y la c.MÉTODOS ESTADÍSTICOS I como muestra la figura VII.r..Curva de Regresión Condicional Y/X b) La recta de regresión mínimo cuadrática de Y/X tiene como expresión: cov ( X. de Y/X es ⎧ ⎪ ⎪ ˆ Y = E [Y/X ] = ⎨ ⎪ ⎪ ⎩ ∫ y ⋅1 ⋅ dy = 2 2−x ∫ y ⋅ ⋅ dy = 2 0 2−x 1 1 2−x 1 1 ∀ x ∈ [0. Y A 1 2 X Figura VII. Y A 1 2 X Figura VII.12.Y ) ˆ Y − μY = ⋅ (X − μ X ) 2 σX donde: μY = E(Y) = μ X = E(X) = ∫ +∞ −∞ y ⋅ fY (y) ⋅ dy = ∫ y ⋅ 2/3 ⋅ (2 − y) ⋅ dy = 9 0 1 4 7 ∫ +∞ −∞ x ⋅ f X (x) ⋅ dx = ∫ 1 x ⋅ 2/3 ⋅ dx + 1 2−y 0 ∫ x ⋅ 2/3 ⋅ (2 .11..x) ⋅ dx = 9 1 2 cov(X.Y) = E(X ⋅ Y) − E(X) ⋅ E(Y) = ∫ ∫ x ⋅ y ⋅ 2/3 ⋅ dx ⋅ dy − 9 ⋅ 9 = − 324 0 0 4 7 13 2 σ X = D 2 (X) = E(X 2 ) − E 2 (X) = ∫ 1 x 2 ⋅ 2/3 ⋅ dx + 0 ∫ 2 1 37 ⎛7 ⎞ x 2 ⋅ 2/3 ⋅ (2 − x) ⋅ dx − ⎜ ⎟ = 9⎠ 162 ⎝ 2 sustituyendo: VII.11.1] ∀ x ∈[ ] 1.114 .12.2 como se muestra en la figura VII.c.

. Xn ≤ xn ) cuyas propiedades son una fácil generalización de las expuestas en una y dos dimensiones. P)..VARIABLES ALEATORIAS n-DIMENSIONALES Los conceptos expuestos en los apartados anteriores.y) ⋅ dx − ⎜ ⎟ = 162 ⎝9 ⎠ 2 sustituyendo: 1 ⎛ 4⎞ ˆ 7 X − = − ⋅ ⎜Y − ⎟ 9 2 ⎝ 9⎠ c) El coeficiente de correlación es ρ= cov(X. y dado un Espacio de Probabilidades (E. x 2 ... x 2 .Y) 13/324 =− = −0.. Xn≤xn.. Definiremos a la función de distribución... x 2 .. X2≤x2.x 2 ...r. X/Y tiene como expresión: cov ( X..MÉTODOS ESTADÍSTICOS I 13 ⎛ 7⎞ ˆ 4 Y− =− ⋅⎜ X − ⎟ 9 74 ⎝ 9⎠ La r.. x 2 ... mediante: F( x1. F..115 . xn ) ⋅dx1 ⋅dx 2 ⋅ L ⋅ dx n por tanto.x n su antiimagen O(I x1.x n al intervalo de la forma X1≤x1.. VII.. xn ) = ∫ ∫ x1 −∞ x2 −∞ L ∫ xn −∞ f ( x1... xn ) = P( X1 ≤ x1.x 2 .. xn ) δx1 ⋅ δx 2 ⋅ L ⋅ δxn Las variables marginales y condicionales se definen de forma análoga al caso de dos dimensiones..296 σ X ⋅ σY 37/162 ⋅13/162 VII....m.11..c.x 2 ... son fácilmente generalizables para variables de más de dos dimensiones.x n ) pertenece a F... Así... si designamos por I x1... x 2 .. X2 ≤ x 2 ..Y ) ˆ X −μ X = ⋅ (Y − μY ) 2 σY donde 2 σY = D 2 (Y) = E(Y 2 ) − E 2 (Y) = ∫ 1 0 13 ⎛4 ⎞ x 2 ⋅ 2/3 ⋅ (2 . será: f ( x1. xn ) = δnF( x1. . diremos que la aplicación X:E→ℜn es una variable aleatoria n-dimensional si para todo intervalo I x1..... Para las variables continuas se define a la función de densidad como aquella función que satisface a la condición: F( x1.

r r { X e Y son independie ntes} ↔ { F XY r r r r ( x.116 . y ) = FX ( x ).MÉTODOS ESTADÍSTICOS I Si el producto de las funciones de distribución marginales coincide en todo punto con la distribución conjunta.FY ( y )} VII. las variables son independientes.

117 .MÉTODOS ESTADÍSTICOS I VII.

CAPITULO VII: Variable Aleatoria Normal Bidimensional .

Dada una variable aleatoria multidimensional.119 . en el caso discreto. por simplicidad consideraremos el caso bidimensional. definiremos su distribución de probabilidad. variables aleatorias y. a partir de la función de densidad conjunta. VII.1. por separado. se pueden calcular la función de distribución y de densidad de las variables marginales de la siguiente forma: d) El valor de FX(x) es la probabilidad de que la variable X tome un valor inferior o igual a x. A estas variables. El peso y la estatura por separado son.CONCEPTO DE FUNCIÓN DE DENSIDAD Cuando en lugar de observar una característica numérica observamos n características en cada elemento de una población. tienen su propia función de distribución y sus respectivas funciones de densidad. En el caso de variables continuas. las probabilidades vienen determinadas por una función de densidad conjunta la cual debe verificar las siguientes propiedades: f XY ( x . diremos que se dispone de una variable aleatoria multidimensional.1. sea cuál sea el valor de Y. se les llama variables marginales de la bidimensional. y)dxdy = 1 Supongamos que la variable bidimensional (X. mediante una función de probabilidad conjunta que proporcione las probabilidades de cada posible valor. es decir FX(x) es la probabilidad de que la variable bidimensional tome un valor del intervalo rayado de la figura VII. a su vez. como tales.Y) hace corresponder a cada individuo de una población su peso (X) y su estatura (Y).Capítulo V: Variables Aleatorias Unidimensionales VII. En el caso de una variable aleatoria bidimensional continua. Una variable bidimensional está constituida por dos variables unidimensionales llamadas marginales.. y) ≥ 0 ∀i ∞ ∞ −∞−∞ ∫ ∫f XY ( x.

v ) ⋅ dv = ∫ +∞ −∞ f ( x. Y < ∞ ) = lim FXY ( x. y ) ⋅ dy VII. x 2 ) = e 2π 2 x1 + x2 2 2 pues bien: VII. se cumple que: FX ( x ) = ∫ x −∞ du ⋅ ∫ +∞ −∞ f (u.1..120 . y ) y →∞ Siendo FXY(x.. Sean X1 y X2 variables aleatorias Normales Tipificadas unidimensionales e independientes.1.Distribución marginal de X Por tanto: FX ( x ) = P( X ≤ x ) = P( X ≤ x. v ) ⋅ dv f) Derivando respecto a x ésta última ecuación: d FX ( x ) = dx fX ( x ) = ∫ +∞ −∞ f ( x.y) la función de distribución conjunta. La función de densidad conjunta de la variable bidimensional: r ⎡X ⎤ X = ⎢ 1⎥ ⎣X 2 ⎦ es: 1 − f ( x 1. e) Por las mismas razones que las expuestas en el punto a).Variable normal bidimensional tipificada Un caso particular de variables aleatorias bidimensionales lo constituye la distribución normal bidimensional tipificada.Capítulo V: Variables Aleatorias Unidimensionales Y x X Figura VII.1.

x 2 ) = e 2π 2 x1 + x2 2 2 es: VII. correspondencia biunívoca entre los valores de X y de los de. en la que 0 = (0.121 . r VII. La variable Normal Bidimensional General es una transformada lineal regular ( A ≠ 0) de una variable aleatoria Normal Bidimensional Tipificada. A la variable bidimensional Y = AX + b la denominaremos variable Normal Bidimensional General.2.x ⎤ J⎢ 1 2 ⎥ = A −1 ⎣ y 1. y 2 ⎦ r r r como: 1 − f ( x 1. I)).Variable normal bidimensional general r r Sea A una matriz 2x2 regular ( A ≠ 0). se denomina variable aleatoria Normal Bidimensional Tipificada y su función de densidad conjunta es: 1 − f ( x 1.Capítulo V: Variables Aleatorias Unidimensionales La variable aleatoria bidimensional cuyas marginales son variables aleatorias Normales Tipificadas independientes.0)' e I es la matriz unidad. x 2 ) = e 2π r r 2 x1 + x2 2 2 La representaremos mediante X ≡ N(0. podremos utilizar la fórmula del Jacobiano para el cambio de variable. Para calcular la función de densidad de Y conocida la de.1. por tanto. y 2 ) = f x ( x1.x ⎤ f y ( y 1. x 2 ) • J⎢ 1 2 ⎥ ⎣ y 1. y 2 ⎦ como X = A −1 ( Y − b) es: ⎡x . r r r r r r r r r r r Si Y = AX + b con.. I). es X = A −1 ( Y − b) y existe. es decir: r r ⎡x . b un vector columna 2x1 y X una variable aleatoria Normal Bidimensional Tipificada ( X ≡ N(0.

2 ⎦ es: 2 Vy = σ 1 • σ 2 • (1 − ρ 2 ) 2 y es: − Vy 1 1 ⎡ ⎢ 2 σ1 ⎢ = ρ 1 − ρ 2 ⎢− ⎢ σ •σ 1 2 ⎣ 1 − ρ ⎤ σ1 • σ 2 ⎥ ⎥ 1 ⎥ ⎥ 2 σ1 ⎦ VII.122 .x2) y. es: r r r x = A −1 ( y − b) y x' = A −1( y − b)' (A -1 )' 1 r r r r )'• A −1 ( y − b) r r r en consecuencia.Capítulo V: Variables Aleatorias Unidimensionales f ( x 1. será: r f y ( y) = − ( y − b)'( A 1 e 2 2•π −1 1 A pongamos ahora los valores de A y de b en función del vector de medias de Y(m y ) y de la matriz de varianzas-covarianzas de Y( Vy ). por tanto. x 2 ) = 1 − e 2π x' x 2 en la que x’=(x1. 2 ⎥ ⎢ ⎥ ⎣σ 2. r r r r r r r m y = E( Y ) = E( AX + b) = AE( X ) + b = b r r rr rr r r Vy = E ( Y − m y )( Y − m y )' = E AXX ' A ' = AE( XX ' )A ' = AA ' r r r r [ ] [ ] por ser A no singular.1 σ 2. es: − V y 1 = A ' −1 • A − 1 y Vy = A 2 de donde: A = Vy 1/ 2 por tanto: r f y ( y) = 1 2 • π • Yy 1/ 2 e − r 1 r r − r ( y − m y )' Vy 1( y − m y ) 2 como: 2 2 ⎡ σ 11 σ 1.2 ⎤ V = ⎢ 2.

VECTOR DE VALORES MEDIOS VII.1 t⎥ 2 ⎦ ⎣ ⎦ entonces: ϕ Y1 ( t) = 1 2 im1t − σ1 • t 2 2 e que es la función característica de una variable Normal de media m1 y varianza.2 ⎥ ⎣0 ⎦ ⎢σ 2. m 2 ]⎢0⎥ = m1t ⎣ ⎦ ⎡t⎤ y 11 [ t. variables Normales Unidimensionales Generales.0]⎢ 2 ⎥ = σ 11 t = σ 1 • t . a su vez. σ 2.123 .1 2 2 ⎡ σ 11 t ⎤ σ 1. ⎡σ 2 ⎢ ⎣ 2..Capítulo V: Variables Aleatorias Unidimensionales y calculando: −1 ( y − m y )' Vy ( y − m y ) se obtiene: f y ( y) = 1 2πσ 1σ 2 1 − ρ 2 e − r 1 r r − r ( y − m y )' Vy 1( y − m y ) 2 en la que: −1 ( y − m y )' Vy ( y − m y ) = ⎡ ( y 1 − m1 ) 2 ( y − m 1 )( y 2 − m 2 ) ( y 2 − m 2 ) 2 ⎤ 2ρ 1 + ⎢ ⎥ 2 σ1 • σ 2 σ1 σ2 1 − ρ2 ⎣ ⎢ ⎥ 2 ⎦ 1 TEOREMA Las variables aleatorias marginales de una variable Normal Bidimensional General son. en efecto. como: ϕ Y1 ( t) = ϕ Y1Y2 ( t.2 ⎤ ⎡ t ⎤ 2 2 2 2 . σ 1 ) VII.0]⎢σ 2. V ) ⇒ Y1 ≡ N(m 1. ⎥ ⎢ ⎥ = [ t.2.0) y es: [m1. Por tanto: r r Y ≡ N(m.

por ejemplo. f) La masa de probabilidad de una variable aleatoria bidimensional se encuentra concentrada en un punto.1 2 e) La matriz de varianzas-covarianzas es semidefinida positiva. es: r r ⎡ X ⎤ ⎡E( X 1 ) ⎤ ⎡ m 1 ⎤ m = E( X ) = E⎢ 1 ⎥ = ⎢ ⎥ = ⎢ ⎥ ⎣ X 2 ⎦ ⎣E( X 2 )⎦ ⎣m 2 ⎦ Si particularizamos dicho vector al caso concreto de una variable aleatoria normal bidimensional tipificada se tiene: r ⎡0 ⎤ m= ⎢ ⎥ ⎣0 ⎦ VII. por ser X1 y X2 independientes es: cov(X1.2 = σ2.3. se considera una variable aleatoria normal bidimensional tipificada como D2(X1)=D2(X2)=1 y.X2)=0 la matriz de varianzas-covarianzas viene dada por: ⎡1 0⎤ V =⎢ ⎥ ⎣0 1 ⎦ VII. el vector de valores medios. en una recta o en el plano.MATRIZ DE VARIANZAS COVARIANZAS VII.Definición Se define como matriz de varianzas-covarianzas de la variable bidimensional (X1..1 o 2. respectivamente.3. 2 σ1 ⋅ σ2 ≥ cov 2 ( X1.1.2 ⎤ V = ⎢ 21 2 ⎥ ⎢σ2. según que la característica o rango de la matriz V sea 0.3.124 . X2 ) 2 que es la conocida desigualdad de Schwarz.Propiedades 2 d) La matriz de varianzas-covarianzas es simétrica pues σ1.1 σ2 ⎥ ⎣ ⎦ Si.2..Capítulo V: Variables Aleatorias Unidimensionales Por definición.X2) a: 2 ⎡ σ2 σ1.. VII.

Capítulo V: Variables Aleatorias Unidimensionales

VII.4.- COEFICIENTE DE CORRELACIÓN VII.4.1.- Definición

El coeficiente de correlación ρ de una variable aleatoria bidimensional se define mediante:
ρ= cov( X1, X2 )
2 σ1 ⋅ σ2 2

=

2 σ1,2

σ1 ⋅ σ2

VII.4.2.- Propiedades

d) Por ser V semidefinida positiva, es:
2 4 σ1 ⋅ σ2 ≥ σ1,2 2

por lo que:
ρ2 =
4 σ1,2 ≤1 2 σ1 ⋅ σ2 2

por lo tanto:
−1 ≤ ρ ≤ 1
2 e) Si las variables X1 y X2 son independientes, es σ1,2 = 0

En consecuencia:

{ Si X1 y X2 son independientes}
el recíproco, en general, no es cierto. f)

{ρ = 0 }

Si existe una relación lineal exacta entre las variables aleatorias X1 y X2, es decir, si la masa de probabilidad se encuentra concentrada en una recta, el rango de la matriz de varianzas-covarianzas vale 1 y por tanto su determinante es nulo y, entonces σ12·σ22=cov2(X1,X2) con lo que ρ2=1 y ρ=±1

{ Si X2 = α + β ⋅ X1 }

{ ρ = ±1 }

De las propiedades anteriores, se desprende que el coeficiente de correlación mide el grado de dependencia lineal entre X1 y X2.
VII.5.- INDEPENDENCIA DE VARIABLES ALEATORIAS

Dada la variable bidimensional (X,Y) diremos que las variables marginales X e Y son independientes, si para todo (x,y) ∈ ℜ2, los sucesos IX=]-∞,x] e IY=]-∞,y] son independientes, es decir:

VII.125

Capítulo V: Variables Aleatorias Unidimensionales

P(X≤x,Y≤y)=P(X≤x)·P(Y≤y) Por tanto:
X e Y son independientes ↔ ∀ ( x, y ) ∈ ℜ2 ; F( x, y ) = FX ( x ) ⋅ FY ( y )

Si (X,Y) es continua, entonces:
fXY ( x, y ) = δ2FXY ( x, y ) = f X ( x ) ⋅ fY ( y ) δx ⋅ δy

por tanto:
X e Y son independie ntes ↔ ∀ ( x, y ) ∈ ℜ2 ; fXY ( x, y ) = fX ( x ) ⋅ fY ( y )

TEOREMA Si dos variables aleatorias normales son incorrelacionadas, es decir (ρ =0), entonces son independientes.

Si dos variables aleatorias son independientes, su covarianza es nula y, por tanto, su coeficiente de correlación vale cero. Es decir, si son independientes están incorrelacionadas. En general, el recíproco no es cierto. Para darse cuenta de ello, basta con comprobar que las variables marginales de la variable aleatoria bidimensional uniforme en un círculo de centro en el origen de coordenadas, son incorrelacionadas pero no independientes. Sin embargo, en el caso particular de variables Normales, la incorrelación implica la independencia y, por tanto, incorrelación e independencia son términos equivalentes. En efecto, el exponente de la función de densidad de una variable aleatoria bidimensional Normal General, es:
⎡ ( y 1 − m1 ) 2 ( y − m 1 )( y 2 − m 2 ) ( y 2 − m 2 ) 2 ⎤ − 2ρ 1 + ⎢ ⎥ 2 σ1 • σ 2 σ2 1 − ρ2 ⎢ σ1 ⎥ 2 ⎣ ⎦ 1

( y − m)' V −1 ( y − m) =

por tanto, si ρ = 0, es:
1 f ( y 1, y 2 ) = e 2πσ 1σ 2

1 ⎡ ( y1 − m1 )2 ( y 2 − m 2 ) 2 ⎤ + ⎢ ⎥ 2 2⎢ σ1 σ2 ⎥ 2 ⎣ ⎦

es decir:
VII.126

Capítulo V: Variables Aleatorias Unidimensionales

f ( y 1, y 2 ) = f y 1 ( y 1 ) • f y 2 ( y 2 )

lo que implica que Y1 e Y2 son independientes. Por tanto:
{ Y1 ≡ N(m 1, σ 1 ) Y2 ≡ N(m 2 , σ 2 ) ρ(Y1, Y2 ) = 0} → {Y1 e Y2 indep. }

y

VII.6.- DISTRIBUCIÓN MARGINAL

Las variables aleatorias marginales de una variable Normal Bidimensional General son, a su vez, variables Normales Unidimensionales Generales.

en efecto, como:
ϕ Y1 ( t) = ϕ Y1Y2 ( t,0)

y es:

[m1, m 2 ]⎢0⎥ = m1t
⎣ ⎦

⎡t⎤

y
11 [ t,0]⎢σ 2,

⎡σ 2 ⎢ ⎣

2,1

2 2 ⎡ σ 11 t ⎤ σ 1,2 ⎤ ⎡ t ⎤ 2 2 2 2 , ⎥ ⎢ ⎥ = [ t,0]⎢ 2 ⎥ = σ 11 t = σ 1 • t , σ 2,2 ⎦ ⎣0 ⎦ σ 2,1 t⎦ ⎢ ⎥ 2 ⎥ ⎣

entonces:
ϕ Y1 ( t) =
1 2 im1t − σ1 • t 2 2 e

que es la función característica de una variable Normal de media m1 y varianza. Por tanto:
r r Y ≡ N(m, V ) ⇒ Y1 ≡ N(m 1, σ 1 )

VII.7.- DISTRIBUCIÓN CONDICIONAL

La variable aleatoria Y2 condicionada a un valor de la variable aleatoria Y1 =Y2, se calcula mediante:
VII.127

es: $ y 2 = E( Y2 y 1 ) = m 2 + cov( Y1. una variable Normal de media: E( Y2 y 1 ) = m 2 + cov( Y1. y 2 ) f y1 ( y 1 ) operando se obtiene: ⎡ ⎡ ⎤⎤ σ2 ⎢ y 2 − ⎢m 2 + 1.2 ( y1 − m1 ) ⎥ ⎥ 2 ⎢ ⎢ ⎥⎦ σ1 1 ⎣ ⎦⎥ − ⎣ 2 2 2 σ 2 (1− ρ ) 2 fc ( y 2 y1 ) = 1 2π σ 2 1 − ρ 2 lo que pone de manifiesto que si Y1 e Y2 son variables aleatorias Normales. la e variable aleatoria Y1 / Y2 es. la recta de regresión minimo cuadrática coincidirá con la curva de regresión condicional. en general. Y2 ) 2 σ1 ( y 1 − m1 ) por ser la curva de regresión condicional. la curva que mejor se adapta a la masa de probabilidad. Y2 ) 2 σ1 ( y 1 − m1 ) 2 D 2 ( Y2 y 1 ) = σ 2 • (1 − ρ 2 ) Como. VII.128 . a su vez.Capítulo V: Variables Aleatorias Unidimensionales fc ( y 2 y1 ) = f ( y 1. una recta. la curva de regresión condicional es: $ y 2 = E( Y2 y 1 ) en el caso particular de variables Normales. es decir.

129 . Muestreo VII.Capítulo V: Variables Aleatorias Unidimensionales Tema 8.

CAPITULO VIII: Distribuciones en el Muestreo .

Razones intrínsecas al estudio. • • • Para obviar estos inconvenientes se recurre al estudio de solo una parte del colectivo convenientemente seleccionada a partir del cual. aunque completa. o superior al valor de la información obtenida. podremos generalizar al universo o colectivo objeto del estudio. Dados los resultados de la inspección de un conjunto de componentes eléctricos • • VIII. el colectivo objeto de estudio desaparecería y la información obtenida. Razones de tiempo.1. y mediante el empleo de técnicas estadísticas. Por ejemplo: • En función de los resultados obtenidos al medir la capacidad de un conjunto de envases de vidrio y con el fin de poder aplicar las técnicas estadísticas habituales de Control de la Calidad ¿podemos admitir que dicha magnitud es una variable aleatoria con distribución normal?. la aceptación de un lote de materiales.) puede imposibilitar el estudio de toda la población. en otros. Algunos ejemplos o situaciones de la vida real ayudarán a justificar la necesidad y utilidad del muestreo. Razones económicas. Si aplicamos un ensayo destructivo a la totalidad de las piezas de un lote en su recepción. etc. Son muchas las preguntas que pueden plantearse acerca de la población total y que pueden responderse analizando adecuadamente los resultados observados en la muestra. Por ejemplo. Dado un conjunto de mediciones de la resistencia a la compresión de unas probetas de hormigón.131 . no siempre es posible o conveniente analizar todas y cada una de las unidades que integran dicho colectivo.Capítulo VIII: Distribuciones en el Muestreo VIII. Cuando las observaciones a realizar ocasionan alteración o incluso la destrucción de los elementos analizados. Estudiar a todos los individuos del colectivo podría suponer un coste demasiado elevado en muchos casos. las conclusiones obtenidas. carecería de interés o aplicabilidad. no disponer de acceso a todos los individuos del colectivo o no disponer de un listado de los mismos. fabricadas con tres formulaciones diferentes ¿puede concluirse que las tres formulaciones tienen la misma resistencia media o presentan la misma variabilidad?. lógicamente es inviable estudiar todos ellos. Las razones por las cuales no se extiende el análisis a la totalidad de la población pueden ser de distinta índole: • Razones estratégicas. La urgencia por disponer de la información requerida (por ejemplo un sondeo preelectoral.. No obstante.INTRODUCCIÓN El objeto de todo estudio estadístico es siempre el conocimiento del colectivo o población a la que se refiere el estudio.

n representa el valor de la característica X en el i-ésimo elemento extraído. población será el conjunto de valores posibles de la longitud de las piezas obtenidas en un determinado proceso de fabricación. . . el muestreo se denomina aleatorio. Muestreo Población Muestra Figura VIII. x2.. y la muestra obtenida es una muestra aleatoria. X2...1.132 . la función de distribución de cada variable X1. X2. Por ejemplo.. VIII..Población y muestra VIII... Si en cada extracción todos los elementos tienen la misma probabilidad de ser seleccionados para formar parte de la muestra. 2. Si las n observaciones muestrales se han realizado en una misma población con función de distribución FX(x).. y una muestra es un subconjunto de dichos valores tomados aleatoriamente.2. . Xn también será FX(x). y muestra el subconjunto formado por las longitudes (x1. ¿existe interacción entre ellos? Estas y otras muchas preguntas pueden contestarse mediante la aplicación de métodos estadísticos a la información suministrada por las muestras extraídas de una población.Capítulo VIII: Distribuciones en el Muestreo • • ¿podemos admitir que el lote muestreado tiene una proporción de componentes defectuosos inferior a un cierto valor límite? Dado un conjunto de valores de dureza . En general. MUESTREO Y MUESTRA Desde el punto de vista estadístico.. xn) de un número finito n... Xn) es una variable n-dimensional en el que cada componente i = 1. .peso específico de unas piezas de plástico ¿podemos admitir la existencia de una dependencia lineal entre estas características físicas del material estudiado? En función de unos resultados obtenidos al repetir bajo diferentes condiciones un proceso de síntesis ¿podemos decir que influyen en dicho proceso determinados factores?.. una población es el conjunto de todos los valores posibles o espacio muestral de una variable aleatoria (generalmente medida en las unidades del colectivo estudiado).. de esas piezas seleccionadas de forma aleatoria. el vector aleatorio (X1.POBLACIÓN.

~ = X + ⎛ n + 1 − e ⎞ ⋅ (x − x ) x ⎜ ⎟ e +1 e e ⎝ 2 ⎠ con e = INT ⎛ ⎜ • • n + 1⎞ ⎟ ⎝ 2 ⎠ La moda muestral: es el valor que más veces se repite en la muestra.. Evidentemente todo estadístico será. Si no se produce la reposición.Capítulo VIII: Distribuciones en el Muestreo Si después de cada extracción y antes de la siguiente se repone el objeto extraído. La varianza muestral 2 sn = ∑ ( Xi − x )2 i =1 n n • La cuasivarianza VIII. X2 .) de tamaño n al vector aleatorio o variable n-dimensional: r X = ( X1.s. son independientes y por tanto. el muestreo se denomina muestreo aleatorio simple o con reemplazamiento..133 . K . Xn) de los valores muestrales se le denomina estadístico. X2. Los estadísticos más utilizados son: • La media muestral x= X1 + X2 + L + Xn n • La mediana muestral: es el valor de la variable que deja el mismo número de datos por abajo que por arriba y se calcula mediante. x 2 . x 2 . denominamos muestra aleatoria simple (m..ESTADÍSTICOS A toda función T = T(X1.a. Tanto en el primer caso como en el segundo si el colectivo es infinito.3.x n ) = FX1 ( x1 ) ⋅ FX 2 ( x 2 ) ⋅ L ⋅ FXn ( xn ) Formalmente. Cada valor concreto de la muestra será un conjunto de n datos y se representará por letras minúsculas: r x = ( x1. que son aleatorios. una variable aleatoria dado que su valor depende de los valores de la muestra. Xn ) formado por n variables unidimensionales que indican los valores de las n observaciones y que serán independientes si en muestro realizado es aleatorio simple.. el muestreo se denomina muestreo aleatorio sin reemplazamiento. x n ) VIII.. en general. las variables aleatorias.. la función de distribución conjunta será: r FX ( x1. . K .

Capítulo VIII: Distribuciones en el Muestreo 2 sn −1 = ∑ ( Xi − x )2 i =1 n n −1 • La desviación típica muestral y la cuasidesviación típica 2 sn = + sn 2 s n −1 = + s n −1 • El rango o recorrido: R=Xmáx-Xmin • La proporción muestral ˆ p= X n donde X es el número de unidades muestrales en las que se presenta el suceso considerado. etc. Ésta es siempre una distribución discreta unidimensional (si la variable X estudiada es unidimensional) y su espacio muestral está formado por n valores diferentes (o menos si han coincidido dos o más valores de la muestra). A las características de la distribución muestral (media muestral.DISTRIBUCIONES EN EL MUESTREO Las distribuciones de probabilidad de los estadísticos se denominan distribuciones en el muestreo. Dada una muestra aleatoria simple de tamaño n. VIII. por oposición a las características poblacionales que son las de la distribución X de la población.134 . VIII. es posible hacerle corresponder una distribución de probabilidades de los valores obtenidos asignando a cada uno de ellos una probabilidad igual a 1/n: ∗ PX ( xi ) = 1 n La distribución así obtenida se denomina distribución muestral. varianza muestral.) se les denomina características muestrales.4.. Estas distribuciones dependerán de: • • • • la función T que define el estadístico la distribución FX(x) que tenga la variable X muestreada el tamaño de muestra el tipo de muestreo efectuado Antes de pasar al estudio de estas distribuciones vamos a recoger algunos conceptos que facilitarán su comprensión.

. X2. VIII.1. por lo tanto. por lo tanto tendrán media y varianza. las características muestrales son variables aleatorias y. En efecto. necesitamos conocer cuál es la relación que existe entre una distribución y otra..Características poblacionales y muestrales A continuación analizaremos primero la distribución de las principales características muestrales sin considerar la distribución FX(x) de la variable muestreada. No obstante.. POBLACIÓN f X(x) (X1. típica muestral) sn-1 (cuasidesviación típica) ˆ p (proporción muestral) p (proporción) Figura VIII. Xn) ∗ PX ( x ) MUESTRA 1/n X Características poblacionales (constantes) X Características muestrales (variables aleatorias) x (media muestral) 2 s n (varianza muestral) 2 s n −1 (cuasivarianza) μ (media) σ (varianza) 2 σ (desviación típica) sn (desv. VIII.Distribución de la media muestral.2. la media muestral que representamos por x . estadísticos (variables aleatorias con una determinada distribución de probabilidades según hemos visto en el punto anterior). En el apartado anterior poníamos de manifiesto que la distribución que tienen los estadísticos (y las características muestrales lo son). Así. si no se conoce FX(x) no se conocerá por completo la distribución de cada una de las características muestrales..135 . dependen de la distribución FX(x) que tenga la variable X muestreada por lo que. y este es precisamente el objeto del presente capítulo. tendrá a su vez media E( x ) y varianza D2 ( x ) . Para realizar adecuadamente el paso de lo "particular" reflejado en la distribución de los valores observados a lo "general" o distribución teórica de la variable.4.Capítulo VIII: Distribuciones en el Muestreo Estas características muestrales son función de la muestra y. . y en el punto siguiente completaremos el análisis considerando que la variable muestreada sigue la distribución Normal. en general.. aunque FX(x) sea desconocido pueden conocerse determinados aspectos de la distribución de las características muestrales como son algunos parámetros de su distribución.

todas ellas con la misma distribución. entonces el estadístico media muestral será una variable aleatoria con valor medio y varianza: E( x ) = μ X D2 ( x ) = σ2 X n Como x=∑ i =1 n xi n es una suma de variables aleatorias independientes. En la práctica la aproximación es buena cuando n>30.Capítulo VIII: Distribuciones en el Muestreo La media de la distribución muestral (media muestral) es: ∗ ∑ xi ⋅ PX ( xi ) = n ⋅ ∑ xi = i =1 i =1 n 1 n ∑ xi i =1 n n =x que coincide con la media aritmética de los n valores obtenidos. pues la muestra es aleatoria simple: D2 ( x ) = 1 n 2 1 σ2 ⋅ ∑ D ( xi ) = 2 ⋅ n ⋅ σ2 = X X n n2 i =1 n Por lo tanto. Su valor medio será: 1 ⎛ n x ⎞ 1 ⎛ n ⎞ 1 n E( x ) = E ⎜ ∑ i ⎟ = ⋅ E⎜ ∑ x i ⎟ = ⋅ ∑ E(x i ) = ⋅ n ⋅ μ X = μ X ⎜ n⎟ n ⎜ ⎟ n n i =1 ⎝ i =1 ⎠ ⎝ i =1 ⎠ Y su varianza: ⎛ n x ⎞ 1 ⎛ n ⎞ D2 ( x ) = D2 ⎜ ∑ i ⎟ = 2 ⋅ D2 ⎜ ∑ x i ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ i =1 n ⎠ n ⎝ i =1 ⎠ y por ser las xi independientes. se tiene como consecuencia del Teorema de Lindenberg-Levy que cuando n tiende a infinito. VIII. La varianza de la distribución muestral (varianza muestral) es: 2 sn = ∑ (x − x ) ⋅ P (x ) = 2 i ∗ X i i =1 n ∑ (x − x ) i i =1 n 2 n Su valor medio es VIII.2.136 . independientemente de la distribución que tenga la variable X muestreada. si tomamos muestras aleatorias simples de tamaño n de una población cuya media es μX y su varianza es σX2.Distribución de la varianza muestral..4. x converge en distribución a la distribución normal de media μX y varianza σX2/n.

Desarrollando el cuadrado 2 E(sn ) = 1 ⎡n ⎤ ⋅ E ⎢∑ ( x1 − μ x )2 + ( x − μ X )2 − 2 ⋅ ( x i − μ X ) ⋅ ( x − μ X ) ⎥ n ⎣ i =1 ⎦ ( ) Aplicando el sumatorio 2 E(sn ) = 1 ⎡ ⋅E ⎢ n ⎢ ⎣ ∑ i =1 n ( x1 − μ x )2 + n ⋅ ( x − μ X )2 − 2 ⋅ ( x − μ X ) ⋅ ∑ (x − μ )⎥⎥⎦ i X i =1 n ⎤ Teniendo en cuenta que ∑ ( xi − μ X ) = ∑ xi − n ⋅ μ X = n ⋅ x − n ⋅ μ X = n ⋅ ( x − μ X ) i =1 i =1 n n sustituyendo y aplicando las propiedades del operador E 2 E(sn ) = 1 ⎡n ⎤ ⋅ ⎢∑ E ( xi − μ X )2 − n ⋅ E ( x − μ X )2 ⎥ n ⎣ i =1 ⎦ ( ) ( ) Finalmente. la estimación de parámetros poblacionales. Allí se recomienda la utilización de estadísticos cuyo valor medio coincida con el correpondiente parámetro poblacional.Capítulo VIII: Distribuciones en el Muestreo ⎡ n ( x − x )2 ⎤ 1 ⎡ n 2⎤ 2 E(sn ) = E ⎢∑ i ⎥ = ⋅ E ⎢∑ (( xi − μ X ) − ( x − μ X )) ⎥ n n ⎣ i =1 ⎦ ⎣ i =1 ⎦ donde se ha sumado y restado μX. recordando que E ( x − μ X )2 = D2 ( x ) = σ2 / n X [ ] y que E ( x i − μ X )2 = σ2 X [ ] se obtiene que 2 E(sn ) = 1 ⎛ σ2 ⎞ n − 1 2 ⋅ ⎜ n ⋅ σ2 − n ⋅ X ⎟ = ⋅ σX X n ⎜ n ⎟ n ⎝ ⎠ Una de las aplicaciones más importantes del muestreo es. de ahí que se emplee frecuentemente la cuasivarianza o varianza muestral corregida en lugar de la varianza muestral.137 . puesto que si 2 sn −1 = n 2 ⋅ sn = n −1 ∑( xi − x )2 i =1 n n −1 entonces 2 E(sn −1 ) = n n n −1 2 2 ⋅ ⋅ σ X = σ2 ⋅ E(sn ) = X n −1 n −1 n VIII. como veremos en el capítulo siguiente.

p).3. no se podía caracterizar la distribución de los estadísticos muestrales si no se conocía la distribución FX(x) de la población muestreada. obtendremos que: n⋅p ⎛ X⎞ 1 ˆ E(p) = E ⎜ ⎟ = ⋅ E( X) = =p n ⎝n⎠ n y n ⋅ p ⋅ (1 − p ) p ⋅ (1 − p ) ⎛ X⎞ 1 ˆ D2 (p) = D2 ⎜ ⎟ = 2 ⋅ D2 ( X) = = n⎠ n n n2 ⎝ Por lo tanto. en general.138 .σX)).Distribución de la proporción muestral. Analizaremos en este apartado la distribución de las principales características muestrales en el caso de que la población muestreada tenga una distribución normal (X≡N(μX. la media y la varianza de la variable proporción muestral es: ˆ E(p) = p ˆ D2 (p) = n ⋅ p ⋅ (1 − p) Como p= X = n ∑ yi i =1 n n = ∑ ⎜ ni ⎟ i =1 n ⎛y ⎞ ⎝ ⎠ (donde las yi son variables dicotómicas de parámetro p). si tomamos muestras aleatorias simples de tamaño n de una población en la que A tiene una probabilidad p de ocurrir. de probabilidad p. VIII. VIII.4. En el apartado anterior vimos que. si tomamos muestras aleatorias simples de tamaño n de una población cuya varianza es σX2. entonces la media de la varianza muestral y la media de la cuasivarianza son: 2 E(sn ) = n −1 2 ⋅ σX n 2 E(sn −1 ) = σ2 X VIII.. en n repeticiones independientes de la experiencia aleatoria o en las n unidades muestrales. p converge en distribución a la distribución normal con media y varianza igual a las expresadas.5.Capítulo VIII: Distribuciones en el Muestreo En definitiva. en virtud del Teorema de Lindenberg-Levy. Como X es una variable B(n.MUESTREO EN POBLACIONES NORMALES. Esta propiedad será utilizada en el establecimiento de intervalos de confianza y test de hipótesis para la proporción poblacional p. es la suma de n variables independientes idénticamente distribuidas.. Se define la proporción muestral como: ˆ p= X n donde X es el número de veces que se presenta el suceso A.

139 . VIII.5 ⎠ es decir.0228 ⎝ 2. su distribución será siempre normal con la media y varianza vistas en el apartado anterior: ⎛ σ ⎞ x ≡ N ⎜ μX. f X(x) f x (x) σX / n σX μX X μX x Figura VIII.5 ) x ≡ N ⎜100. en el 2’28% de los casos rechazaremos que el proceso funciona correctamente.Distribución de la media muestral. Ejemplo VIII.Capítulo VIII: Distribuciones en el Muestreo VIII.. ⎟ ⎜ 4⎠ ⎝ La probabilidad de rechazar el proceso será: ⎛ 95 − 100 ⎞ p = P (x ≤ 95 ) = φ ⎜ ⎟ = φ (− 2 ) = 0.3 se ha representado la distribución de la media muestral. el espesor de la capa de imprimación es una variable aleatoria con distribución normal de media 100 micras y desviación típica 5 micras. X ⎟ ⎜ ⎟ n⎠ ⎝ En la figura VIII.3.Distribución de la variable X y de la media muestral x .1. En el proceso de pintado de la carrocería de un automóvil.. Sabemos que x=∑ i =1 n Xi n Puesto que x es una combinación lineal de variables normales independientes. Si el control del espesor de la capa de imprimación se realiza calculando el promedio de las cuatro medidas obtenidas en cuatro carrocerías seleccionadas al azar de dicho proceso y aceptando que el proceso funciona correctamente si el promedio obtenido es mayor de 95 micras ¿Cuál es la probabilidad de rechazar que el proceso funciona correctamente? SOLUCIÓN: La media aritmética de las cuatro mediciones será una variable: ⎛ 5 ⎞ ⎟ ≡ N (100.1.5.2.

VIII. Si la variable muestreada tiene una distribución normal.5..Distribución conjunta de x y sn-1 Como x − μX σX / n ≡ N (0.Distribución de la varianza muestral..140 .2. el Teorema de Fisher establecer que: n⋅ 2 sn s2− 2 = (n − 1) ⋅ n2 1 = χn −1 2 σX σX VIII.1) 2 χn / n y teniendo en cuenta el Teorema de Fisher.Capítulo VIII: Distribuciones en el Muestreo VIII.5.3.1) recordando la definición de la variable: tn = N (0. tendremos que: x − μX σX / n s (n − 1) ⋅ σ 2 n −1 2 X = (n − 1) x − μX sn −1 / n = t n −1 distribución que utilizaremos en la realización de inferencias sobre μX.

141 .Capítulo VIII: Distribuciones en el Muestreo Tema 9. Inferencia VIII.

CAPÍTULO IX: Introducción a la Inferencia Estadística .

143 .VIII.

Para ello se realizan experiencias bajo condiciones determinadas. Un ejemplo aclarará estos conceptos. A este conocimiento puede llegarse mediante una inferencia o aproximación inductiva. Es evidente. Sin embargo. lo usual es tomar una muestra y a partir de la información que nos brinda.INTRODUCCIÓN Como se dijo en el capítulo anterior. podemos utilizar la correspondiente distribución Normal para determinar. podemos conocer de forma aproximada la proporción p de piezas defectuosas en el lote a través de la ˆ proporción p de piezas defectuosas en una muestra de tamaño n. Supongamos que las unidades fabricadas por una cierta línea de fabricación pueden ser clasificadas como correctas o defectuosas.. De dichas experiencias se obtiene una información de la que se extraen conclusiones que serán generalizadas al universo del fenómeno. A continuación podemos proponer que la distribución de dicha magnitud es Normal. A partir de esta información y mediante un proceso inductivo estadístico podemos: a) Inferir cual es la proporción de piezas defectuosas presentes en el colectivo. pero sí que es posible efectuar una inferencia inductiva. Es evidente que no es posible establecer mediante un proceso deductivo. por ejemplo. Para ello tomamos unas cuantas unidades fabricadas y observamos cuantas son correctas y cuantas defectuosas.IX. observando parte del fenómeno y planteando a partir de esta observación un modelo que. porque las proposiciones que son válidas a nivel de unas pocas experiencias realizadas bajo unas condiciones determinadas. se utilizará para describir dicho fenómeno. es posible efectuar inferencias inductivas sujetas a cierto grado de incertidumbre susceptible de medición. El otro camino para llegar al conocimiento del fenómeno aleatorio en cuestión es mediante una inferencia o aproximación inductiva consistente en generalizar ciertas conclusiones parciales al universo del fenómeno. un modelo matemático que permita obtener la fracción de unidades defectuosas. b) Decidir sobre la aceptación o rechazo de determinadas hipótesis establecidas sobre la proporción de piezas defectuosas del colectivo (por ejemplo que dicha proporción es menor o igual que un determinado valor considerado como adecuado). la proporción de piezas cuya magnitud cumple unas especificaciones dimensionales establecidas. el objeto de cualquier estudio estadístico es el conocimiento de la población o universo del fenómeno estudiado. tratamos de conocer aspectos generales de la población. mediante un proceso inductivo. Por ejemplo. Precisamente la Inferencia Estadística se ocupa del estudio de los métodos que permiten efectuar inferencias inductivas cuya incertidumbre es susceptible de ser medida en términos probabilísticos. en el estudio de la calidad de un lote de piezas recibidas en un almacén. Si tras realizar el oportuno contraste es aceptada la propuesta. en muchos casos. Supongamos también que tratamos de determinar la fracción de unidades defectuosas que se obtienen en dicha línea de fabricación. . incluso las situaciones particulares del mismo. pueden no serlo a nivel general del fenómeno. Por ejemplo. podemos medir una determinada dimensión en una muestra de piezas. que las conclusiones obtenidas mediante una inferencia inductiva presentan un cierto riesgo de ser falsas. tras ser validado. Por ejemplo.1.

A partir de este modelo podemos deducir la proporción de piezas que no cumple con unas determinadas especificaciones dimensionales. podremos estimar μ y σ y contrastar la normalidad de X. La Inferencia Estadística aborda dos tipos de problemas: a) La estimación de parámetros. La estimación es un valor concreto del estimador al aplicar la función que lo define sobre una muestra concreta. Estimar un parámetro es calcular un valor aproximado del mismo a partir de los valores de la muestra. por intervalos de confianza. un estimador de la media poblacional μ. Ejemplos de estimadores puntuales son: a) Estimadores de la media poblacional μ: IX.145 . La Estimación es la parte de la Inferencia Estadística que tiene como finalidad conocer. una variable aleatoria ya que sus valores dependen de la muestra. es la media muestral x .1.2.Estimación puntual Un estimador puntual es toda función de los valores muestrales utilizada para obtener valores aproximados (puntuales) de un parámetro. IX. la incertidumbre de nuestra inferencia. Por ejemplo.2. b) El contraste de hipótesis. de la forma más exacta y precisa posible. los valores de los parámetros de la distribución de las variables aleatorias.Capítulo IX: Introducción a la Inferencia Estadística c) Si en cada una de las piezas hemos medido una dimensión X. Ciertamente no tendremos la seguridad absoluta de que la inferencia sea correcta. pero sí que será factible de ser medida. El estimador es una función de los valores de la muestra que se utiliza para obtener valores aproximados de un parámetro poblacional. Un estimador es. IX... por tanto. Los estimadores pueden ser: • • puntuales. así como los parámetros de los modelos aleatorios que puedan plantearse. En este apartado nos ocuparemos de la estimación de los parámetros de las distribuciones aleatorias y de las propiedades de los estimadores. en términos de probabilidad.ESTIMACIÓN DE PARÁMETROS. A este conocimiento de llega a través del análisis de muestras extraídas de la población.

4}.146 . ~ Ejemplo IX. sn 2 La cuasivarianza.1. IX. No todos los estimadores son buenos estimadores.5 4 c) Estimadores de la proporción poblacional p de una distribución binomial • ˆ La proporción muestral. 5. el estimador puntual de la media poblacional será: x =∑ i =1 n xi n y la estimación obtenida con la muestra propuesta: 3 +5 +4 +4 ˆ μX = =4 4 b) Estimadores de la varianza poblacional σ2: • • 2 La varianza muestral. x x La mediana muestral. Vamos a describir algunas de ellas: • Estimadores centrados o insesgados Son aquéllos cuyo valor medio coincide con el parámetro que estima.1. Sin embargo.2 Con la muestra del ejemplo anterior sería 2 sn = (3 − 4)2 + (5 − 4)2 + (4 − 4)2 + (4 − 4)2 = 0.1 Dada la muestra {3.2. x es centrado para μ pues E( x )=μ.Propiedades de los estimadores puntuales. p IX.Capítulo IX: Introducción a la Inferencia Estadística • • La media muestral. sn2 no es centrado para σ2 pues E(sn2)=(n-1)·σ2/n ≠ σ2. Si θ es el parámetro ˆ estimado y θ el estimador: ˆ ˆ { θ es centrado o insesgado} ↔ {E( θ )=θ ∀ θ ∈ Ω} siendo Ω el espacio paramétrico o conjunto de los posibles valores de θ. 4. Hay determinadas propiedades que son deseables en un estimador puntual. Por ejemplo.. sn −1 Ejemplo IX.

función de la muestra. y solo si.M. de θ. Es decir: ˆ ˆ ˆ ˆ { θ es U. α es el nivel de significación y L1 r r ( X ). también denominada cota de Cramer-Rao establece cual es. IX.V. ser U.) si. o cuanto mayor sea el nivel de confianza 1-α para una amplitud dada. La justificación de la estimación por intervalos de confianza radica en: a) Con los estimadores puntuales no podemos tener una idea clara de la precisión con que efectuamos una estimación. Cθ : Conjunto de posibles estimadores de θ. tales que existe una probabilidad muy elevada (1. Si 1-α= 0.2.M. ˆ Diremos que el estimador θ es uniformemente de mínima varianza (U.99). L2 ( X ) son los limites de confianza. Si la varianza del estimador es mayor que la cota de Cramer-Rao. o no.95 ó 0.M. dicho estimador podrá.V. El intervalo será tanto más preciso cuanto menor sea su amplitud para un α dado. Los intervalos de confianza para los parámetros de poblaciones con distribución Normal son los siguientes: r r r IX. P(L1 ( X ) ≤ θ ≤ L2 ( X )) = 1. b) Los intervalos de confianza nos servirán como reglas de decisión para realizar los tests de hipótesis a estudiar en apartados posteriores. Si por X designamos a una muestra.M. de que entre ambos cubran el verdadero valor del parámetro. será un estimador U.Capítulo IX: Introducción a la Inferencia Estadística • Estimadores uniformemente de mínima varianza. el valor mínimo que puede tomar la varianza de cualquier estimador de un determinado parámetro θ.α).α donde 1-α es nivel de confianza (usualmente 0.2.Estimación por intervalos de confianza.147 .V.. Cualquier estimador de θ cuya varianza sea igual a dicha cota. contendrán al valor verdadero del parámetro.V.} ↔ { D(θ) = min(D(θ*)) ∀ θ* ∈ Cθ y ∀ θ ∈ Ω} ˆ siendo: Ω : espacio paramétrico. la estimación por intervalos de confianza consiste en r r obtener dos valores L1 ( X ) y L2 ( X ). medida en términos de probabilidad. tiene menor o igual varianza que la de cualquier otro estimador para todo θ perteneciente a Ω. bajo determinadas condiciones.95 quiere decir que el 95% de los intervalos que construyamos a partir de numerosas muestras. Nuestra incertidumbre al estimar el parámetro resulta pues. ˆ La frontera de Frechet-Cramer-Rao.

obteniéndose los siguientes valores.Capítulo IX: Introducción a la Inferencia Estadística a) Para la media poblacional μ.C. si la única información de la que disponemos es la que nos proporciona la muestra. 51. c) El Intervalo de Confianza para la varianza σ2 del espesor considerado. 48. 53.563 micras y zα/2=z0. para μ cuando σ es conocida es: x ± zα/2 ⋅ σ n Realizando cálculos y consultando las tablas de la N(0. 49. b) El Intervalo de Confianza para la media μ del espesor. 48. SOLUCIÓN: a) El I.2 micras. 55. • Cuando σ es conocida x ± zα 2 ⋅ σ n sn −1 n • Cuando σ es desconocida x ± t ( α 12 ) ⋅ n− b) Para la varianza poblacional σ2. se obtiene: x =50.σ) y fijando el nivel de confianza al 95%. 52. 50} En el supuesto de que el espesor del recubrimiento tenga una distribución N(μ. 49.025=1. 2 (1− α 2 ) ⎥ ⎢ 2 ( α 2) χn −1 ⎣ χn −1 ⎦ Ejemplo IX.148 . será: IX. 51. 54.C. 50. 52.3 Un proceso industrial consiste en la aplicación de un recubrimiento protector a unos perfiles metálicos. 47.1). el I. determinar: a) El intervalo de confianza para la media μ del espesor del recubrimiento si sabemos que la dispersión de la variable es σ=2. 49. De la producción de un día. 2 2 ⎡ (n − 1) ⋅ sn −1 (n − 1) ⋅ sn −1 ⎤ . expresados en micras: {51. se seleccionan al azar 16 perfiles y se determina el espesor del recubrimiento en cada uno de ellos.96 Por lo tanto.

4 Se desea conocer la proporción p de alumnos de la U. que viajaron al extranjero durante el año 1999. 8 han viajado al extranjero y el resto no.063 2 (α 2 χ n −1 /2) = χ15(0. se obtiene: 2 sn −1 =5. 12.975) =6.V.563 ± 1.C resulta: [49. suponiendo una apropiada aproximación de la binomial a la normal: ˆ p ± zα / 2 ⋅ ˆ ˆ p ⋅ (1 − p) n Ejemplo IX.025) t nα/2) = t15 = 2. y siguiendo un procedimiento aleatorio. Para ello. Obtener el Intervalo de Confianza para la proporción p si tomamos 1-α=0. 51. ⎢ ⎥ 2 (α 2 ) 2 χ n −(1−α 2) ⎦ 1 ⎣ χ n −1 Con los datos muestrales y la tabla de la χ2.763.641] micras b) El I.C. se han seleccionado y entrevistado a 90 alumnos.C para σ2 es 2 2 ⎡ (n − 1) ⋅ sn −1 (n − 1) ⋅ sn −1 ⎤ .95.485.128] micras2 c) Para la proporción poblacional p de una distribución binomial.P.262 Sustituyendo.2 16 ⇒ [49.364.149 .563 micras y sn-1=2.488 2 (1 2 χ n −1 -α/2) = χ15(0.762] micras c) El I. El resultado ha sido que.131 −1 Sustituyendo los valores en la expresión del I.Capítulo IX: Introducción a la Inferencia Estadística 50. para μ cuando σ es desconocida es: ( x ± t nα12 ) ⋅ − sn −1 n Con los datos del problema calculamos x =50. de estos 90 alumnos.C es [2.25 micras Y según las tablas de la t de Student: ( (0. 51. obtenemos que el I. SOLUCIÓN: IX.025) =27.96 ⋅ 2.

. Ello nos permite decidir si aceptamos la hipótesis nula H0 establecida.1) obtenemos ˆ p= ) 8 = 0.148] IX. ¿hasta qué punto esta diferencia puede atribuirse al azar y a partir de que valores ya no debemos admitir esta posibilidad? Los tests de hipótesis verifican la compatibilidad de los resultados muestrales con las hipótesis establecidas sobre la población y nos permiten decidir sobre la aceptación o rechazo de las mismas.C para p. IX. Con el fin de confirmar o rechazar la hipótesis de igualdad vidas medias en las dos variantes del proceso se extrae una muestra de bombillas del proceso modificado y se evalúa la vida de cada una de ellas.2 se ha expuesto que la Inferencia Estadística aborda dos tipos de problemas: la estimación de parámetros. Se considera que una cierta modificación del proceso que disminuye el coste de fabricación no modifica la vida media.025=1. Supongamos. 0. A grandes rasgos.C es [0. que la vida media de las bombillas obtenidas mediante cierto proceso de fabricación es de 1500 horas. mediante los tests de hipótesis. Supongamos que la vida media muestral resulta ser de 1450 horas. suponiendo la aproximación de la binomial a la normal. puntual y por intervalos de confianza. por ejemplo.3. establecida sobre una cierta población. podemos estudiar si una cierta hipótesis. puede tomar valores menores que ella pero.088 90 y zα/2=z0. y los contrastes de hipótesis. es decir ¿en qué medida la muestra observada es coherente con la hipótesis de que la media poblacional es de 1500?.TEST DE HIPÓTESIS En el punto IX. Y en consecuencia.150 . o la rechazamos y aceptamos una hipótesis H1 llamada hipótesis alternativa que es la que se verifica si y solo si no se verifica H0.030.96 Luego el I. es coherente o no con la información que suministra una muestra aleatoria extraída de dicha población. ¿podemos aceptar la igualdad de vidas medias poblacionales de las bombillas en el proceso modificado y en el no modificado? La vida media muestral es una variable aleatoria de valor medio igual a la media poblacional y.Capítulo IX: Introducción a la Inferencia Estadística El I. llamada hipótesis nula H0. por lo tanto. es ˆ p ± zα/2 ⋅ ˆ ˆ p ⋅ (1 − p) n Haciendo cálculos y buscando en la tabla de la N(0. ¿Hasta que punto es aceptable admitir que la disminución observada de 1500 a 1450 horas es debida al azar del muestreo y no a una disminución real de la vida media?.

xn) cuya distribución es conocida en el caso de que la hipótesis nula sea cierta.Errores de 1ª y 2ª especie.).151 . diferencia de medias poblacionales. Se elige una probabilidad α. varianza poblacional... respectivamente.x2.. A la probabilidad de cometer este tipo de error se le denomina β.3. Operando con un nivel de significación α del 5%. en cuyo caso diremos que se ha cometido un error de primera especie.) o bien sobre los parámetros de determinados modelos aleatorios (modelos de regresión. No obstante. esta forma de operar equivale a rechazar la hipótesis cuando un resultado como el observado solo se habría obtenido en un 5% de los casos si la hipótesis nula es cierta. Para contrastar la hipótesis nula establecida se utiliza un estadístico: G=g(x1. IX. se decide si se rechaza o se acepta la hipótesis H0.2. En los tests de hipótesis no paramétricos las hipótesis no se establecen sobre los parámetros anteriormente referidos sino que se establecen sobre la propia distribución aleatoria (la variable estudiada sigue una determinada distribución de probabilidades) o bien sobre determinados aspectos del fenómeno estudiado (independencia de dos o más factores en la ocurrencia de una determinada situación o un determinado hecho). En consecuencia pueden cometerse dos tipos de errores: a) Rechazar la hipótesis nula cuando es cierta. de análisis de la varianza.3.Test de hipótesis paramétricos y no paramétricos Los tests de hipótesis paramétricos son aquéllos en los que las hipótesis se establecen sobre algún parámetro o vector de parámetros de alguna distribución aleatoria (media poblacional. mediante un contraste de hipótesis decidimos si aceptamos o rechazamos la hipótesis nula. lo cual no quiere decir que lleguemos a conocer con absoluta certeza si es verdadera o falsa. de probabilidades 1-α y α. modelos estocásticos.Capítulo IX: Introducción a la Inferencia Estadística IX.3.3..Tests de hipótesis paramétricos IX. etc.Curva de Potencia y Curva Característica de un test IX. y se divide el campo de variabilidad de G en dos regiones: una región de aceptación de la hipótesis nula y una de rechazo. etc. etc. En este caso diremos que se ha cometido un error de segunda especie.3..3. b) Aceptar la hipótesis nula cuando es falsa...1. proporción poblacional. también denominada “región crítica”. IX. Según a qué región pertenezca el valor de G calculado con la muestra.1.. A la probabilidad de cometer este tipo de error se le denomina α. llamada nivel de significación.

y como veremos en el apartado siguiente. no es más r que una regla de decisión S que a cada muestra X del espacio muestral (conjunto de posibles muestras) le hace corresponder la decisión d0 (aceptar H0) o la decisión d1 (aceptar H1). es decir PotS(θ) = P(d1(S) / θ) Al valor máximo de dicha potencia para θ ∈ ω0 se le denomina extensión del test y se representa por α. A la función que proporciona la probabilidad de rechazar H0 con un test de hipótesis S. se particiona en dos conjuntos ω0 y ω1 tales que: ω0 ∪ ω1 = Ω y de modo que las hipótesis a contrastar son: H0(θ ∈ ω0) vs H1(θ ∈ ω1) En general. PotS(θ) 1 α 0 ω0 θ0 ω1 θ (Ω) IX.Capítulo IX: Introducción a la Inferencia Estadística En los test de hipótesis paramétricos. Esta curva es propia de cada test S y sus valores dependen del valor que tome el parámetro θ en cada caso. intensidad de fuga de un diferencial eléctrico). sobre la media μ de una distribución Normal con σ conocida (por ejemplo. se le denomina Curva de Potencia de dicho test. Si contrastamos las hipótesis H0(θ≤θ0) vs H1(θ>θ0) la Curva de Potencia tendrá la forma de la figura IX. Por ejemplo. podemos establecer las hipótesis H0(μ≤μ0) vs H1(μ>μ0). un test que permita contrastar las hipótesis anteriormente formuladas.152 . Una posible regla de decisión será evaluar la intensidad de fuga en una muestra de n diferenciales tomados al azar y aceptar H0 (tomar la decisión d0) si x ≤ μ0 + zα ⋅ σ n y ω0 ∩ ω1 =∅ o tomar la decisión d1 en caso contrario.1. el espacio paramétrico Ω (conjunto de posibles valores del parámetro θ sobre el que se establecen hipótesis).

La Curva Característica de un test (o plan de control) es una función que proporciona la probabilidad de aceptar la hipótesis nula H0 con dicho test. varianza σ2.1. Si contrastamos las hipótesis H0(θ≤θ0) vs H1(θ>θ0) la Curva Característica tendrá la forma de la figura IX.153 .). media μ. en función de los valores que toma el parámetro θ.2. conceptualmente.Capítulo IX: Introducción a la Inferencia Estadística Figura IX. los cuales representan la calidad de productos y/o procesos (proporción de piezas defectuosas. Un plan de control de calidad es. la Curva Característica tendría como ecuación: ⎛ ⎞ σ μ⎟ PaS (μ ) = P ⎜ x ≤ μ 0 + zα ⋅ ⎜ ⎟ n ⎝ ⎠ Como para cada posible valor de μ la media muestral x es N ⎜ μ.. etc.Curva Característica de un test En el test sobre la media μ de la intensidad de fuga de los diferenciales expuesto en este punto. se utiliza más la denominada Curva Característica que definiremos seguidamente.Curva de potencia de un test En las aplicaciones de los test de hipótesis al control de la calidad en los procesos industriales.2. Nótese que para cada valor de θ ∈ Ω se cumple que PotS(θ)=1-PaS(θ) y que para cada valor de θ ∈ ω1 PaS(θ)=β(θ) (la probabilidad de error de segunda especie β depende del valor que tome θ y es diferente para cada θ). ⎟ será: ⎜ ⎟ n⎠ ⎝ ⎛ σ ⎞ IX. PaS(θ) 1 1-α β(θ1) θ0 β(θ2) θ1 θ2 ω1 ω0 θ (Ω) Figura IX.. un test que se aplica sistemáticamente para contrastar hipótesis sobre parámetros de distribuciones aleatorias.

Su representación gráfica tiene forma similar a la curva de la figura IX. sustituyendo en parámetro genérico θ por μ. expresados en mm.5 En el proceso de moldeado de unos recipientes de plástico.Capítulo IX: Introducción a la Inferencia Estadística ⎞ ⎛⎛ ⎞ ⎜ ⎜ μ0 + zα ⋅ σ ⎟ − μ ⎟ ⎜ ⎟ ⎟ ⎜ μ − μ0 ⎛ ⎞ n⎠ ⋅ n⎟ PaS (μ ) = φ ⎜ ⎝ ⎟ = φ ⎜ zα − σ σ ⎝ ⎠ ⎟ ⎜ ⎟ ⎜ n ⎠ ⎝ Expresión que.2) mm. a) H0(μ=μ0) vs H1(μ≠μ0) • Si σ es conocida: Aceptamos H0 si x ∈ ⎢μ0 ± zα 2 ⋅ ⎣ ⎡ σ ⎤ ⎥ n⎦ σ ⎤ ⎥ n⎦ Rechazamos H0 si x ∉ ⎢μ0 ± zα 2 ⋅ ⎣ ⎡ • Si σ es desconocida: Aceptamos H0 si x ∈ ⎢μ0 ± t(nα 12) ⋅ − ⎣ α Rechazamos H0 si x ∉ ⎢μ 0 ± tn −2 ⋅ 1 ⎡ sn −1 ⎤ ⎥ n⎦ sn −1 ⎤ ⎥ n⎦ ⎡ ⎣ Ejemplo IX. han sido: IX. sí que se proponen ejemplos que facilitarán su aplicación a las situaciones reales. En cambio.2. Test de hipótesis sobre la media poblacional μ.Algunos test paramétricos clásicos En este apartado se presentan algunos de los test de hipótesis paramétricos clásicos más importantes por sus aplicaciones prácticas a la industria y a otros campos. Algunos ejemplos de tests de hipótesis sobre parámetros de variables normales son: 1..3. para μ=μ0 vale 1-α. el ingeniero de procesos decide aumentar la proporción de material reciclado que se utiliza como materia prima manteniendo constantes el resto de parámetros del proceso.3. se seleccionan al azar 9 recipientes de plástico obtenidos con la nueva formulación de la materia prima y se determina el espesor del fondo de cada uno de ellos. Para comprobar el efecto de esta modificación. 0. Buscando una reducción de costes de fabricación. Debido al carácter introductorio del capítulo. podemos admitir que el espesor del fondo es una variable aleatoria con distribución N(4. no se enuncian ni se demuestran los teoremas que permiten su obtención o la evaluación de sus propiedades. Los resultados obtenidos. IX. lógicamente.154 .2.

156 mm y zα/2=z0. b) En este caso.776.025) t nα/2) = t8 = 2.131] mm Como la media muestral no pertenece al intervalo anterior. la zona de aceptación es [3.155 .9. y ( (0. SOLUCIÓN: En ambos apartados debemos contrastar la hipótesis nula de que el cambio efectuado en el proceso no afecta al espesor medio del fondo de los recipientes. 4.869.5.9.2. 4.9.306 −1 b) H0(μ≤μ0) vs H1(μ>μ0) IX. 3. es decir. 3.Capítulo IX: Introducción a la Inferencia Estadística {3.2.156 y pertenece al intervalo. la decisión es que no podemos aceptar la hipótesis nula. la regla de decisión es Aceptamos H0 si x ∈ ⎢μ 0 ± zα 2 ⋅ ⎣ ⎡ σ ⎤ ⎥ n⎦ Con los datos del enunciado calculamos: x =4. 4.2 mm). aceptamos la hipótesis nula.025=1. ¿podemos admitir que la nueva formulación de la materia prima no afecta al espesor medio del fondo de los recipientes fabricados? b) ¿Cuál sería la respuesta a la pregunta anterior si desconocemos el valor real de la desviación típica σ?.224] mm Puesto que la media muestral es x =4. 4. la regla de decisión es ( Aceptamos H0 si x ∈ ⎢μ 0 ± t nα12) ⋅ − ⎡ ⎣ sn −1 ⎤ ⎥ n⎦ Según los datos del enunciado: sn-1=0. 4. 3. 4. 4.7} a) Suponiendo que no ha habido ningún cambio en la dispersión y considerando un nivel de significación de 5%.292 Por lo tanto.2. H0(μ=4) vs H1(μ≠4) a) En el caso de que conozcamos σ (σ=0.9.96 Por lo tanto. la zona de aceptación es [3.

10.8.Capítulo IX: Introducción a la Inferencia Estadística • Si σ es conocida: Aceptamos H0 si x ≤ μ0 + zα ⋅ Rechazamos H0 si x > μ0 + zα ⋅ σ n σ n • Si σ es desconocida: Aceptamos H0 si x ≤ μ0 + t(nα )1 ⋅ − sn −1 n sn −1 n Rechazamos H0 si x > μ0 + t(nα )1 ⋅ − Ejemplo IX. Para comprobar que la producción cumple con los requisitos especificados.6 Por razones técnicas de funcionamiento. frente a que la producción es incorrecta. obtenemos que la zona de aceptación de H0 es x ≤10. SOLUCIÓN: Debemos contrastar la hipótesis nula de que la producción es correcta por ser la media de las resistencia menor o igual a 10 Ω.1.2.05=1.12 y zα=z0.8. mediante la tabla de la normal. expresados en ohmios: {9.2} Suponiendo que la resistencia de los componentes estudiados sigue una distribución normal y considerando un nivel de significación del 5%.26 IX. se toman al azar 10 componentes y se miden sus resistencias obteniéndose los siguientes resultados. 9. el valor de zα: x =10.7. se ha fijado en 10Ω el valor máximo de la resistencia media de unos componentes eléctricos fabricados en un determinado proceso.645 Sustituyendo. 9.9. 10.5 Ω? b) Contestar a la pregunta anterior en el supuesto de que no se conozca el valor de la desviación típica σ. 10. es decir: H0(μ≤10) vs H1(μ>10) a) En el caso de σ conocida. 9.156 . 10. la zona de aceptación es x ≤ μ 0 + zα ⋅ σ n Calculamos el valor de la media muestral y determinamos.5. 10. 11. responder a las siguientes preguntas a) ¿Podemos considerar correcta la producción si sabemos que la desviación típica es 0.

833 − Sustituyendo. obtenemos: sn-1=0.749.3.1.5. obtenemos que la zona de aceptación de la hipótesis nula es x ≤10.0.6} IX. 749. 750. 751.5.05) t nα1 = t9 = 1.2.751. Se pretende comprobar si ambos equipos fabrican las botellas con la misma capacidad media.7 Se dispone de dos equipos de soplado de envases de vidrio y con ellos se fabrican botellas de 750 cc de capacidad nominal. 749. 751. 752.749.1. aceptamos la hipótesis nula de que la producción cumple con los requisitos.2.750. b) En el caso de σ desconocida.8.748.1.227 por lo que aceptamos la hipótesis nula de que la producción es correcta. 750. c) H0(μ1=μ2) vs H1(μ1≠μ2) con σ1=σ2=σ • Si σ es conocida: Aceptamos H0 si x1 − x 2 ≤ zα / 2 ⋅ σ ⋅ Rechazamos H0 si x1 − x 2 > z α / 2 ⋅ σ ⋅ • Si σ es desconocida: 2 Aceptamos H0 si x1 − x 2 ≤ t(nα +/ n 2) − 2 ⋅ s * ⋅ 1 1 1 + n1 n2 1 1 + n1 n2 1 1 + n1 n2 1 1 + n1 n2 2 Rechazamos H0 si x1 − x 2 > t (nα +/ n 2) − 2 ⋅ s * ⋅ 1 con s* = 2 (n1 − 1) ⋅ s'1 +(n2 − 1) ⋅ s'2 2 n1 + n2 − 2 donde s’=sn-1.1. 751.749.157 .3.1.748. Para ello se toman al azar 10 botellas fabricadas con el primer equipo y se obtienen los siguientes resultados: {750.Capítulo IX: Introducción a la Inferencia Estadística por lo que.2.5.2.749.751.2. la zona de aceptación es ( ) x ≤ μ 0 + t nα1 ⋅ − sn −1 n Utilizando los datos de la muestra y la tabla de la t.9} Del segundo equipo se toman al azar 12 botellas cuyas capacidades resultan ser: {750. Ejemplo IX.3.1.391 y ( ) (0. 750.748. al pertenecer la media muestral a la región de aceptación.0.749.

4. 5. la zona de aceptación de H0 es: (α x1 − x2 ≤ t n1 /2) 2 − 2 ⋅ s * ⋅ +n 1 1 + n1 n2 con s* = 2 (n1 − 1) ⋅ s'12 +(n2 − 1) ⋅ s' 2 n1 + n2 − 2 Con los datos del enunciado obtenemos que x1 =750. han sido: {5.99.σ) y X2≡N(μ2. ¿puede admitirse la igualdad de medias de las capacidades de las botellas fabricadas con los dos equipos de soplado? SOLUCIÓN: Si llamamos X1 y X2 a las capacidades de las botellas fabricadas con el equipo 1 y con el equipo 2.025) t n1 +2)2 −1 = t 20 = 2. 2 2 σ0 ⋅ χn (−α 2 ) ⎤ 1 ⎥ (n − 1) ⎦ σ 2 ⋅ χ 2( α 2 ) ⎤ . expresados en cm. 4.086 n Por lo que la zona de aceptación es x1 − x2 ≤ 0. respectivamente.02.99} Suponiendo que los resultados de las mediciones son normales y que solamente es el equipo de medida el que produce variabilidad en los resultados. 5. representada por σ.98.03.58 x2 =749. 0 n −1 ⎥ (n − 1) ⎦ Ejemplo IX.00 s*=0. Test de hipótesis sobre la varianza poblacional σ2. IX.9468 ( α/ (0.02?. a) H0(σ2=σ02) vs H1(σ2≠σ02) 2 Aceptamos H0 si sn-1 ∈ ⎢ 2 2 ⎡ σ0 ⋅ χn (−11− α 2 ) Rechazamos H0 si ⎣ (n − 1) ⎡ σ2 ⋅ χ2(1− α 2 ) 2 sn -1 ∉ ⎢ 0 n −1 ⎣ (n − 1) . 4.97.σ) las hipótesis a contrastar serán H0(μ1=μ2) vs H1(μ1≠μ2). 5.846 Puesto que x1 − x2 = 1. es igual a 0. 5.01. que para el caso de σ desconocida.05. Los resultados obtenidos. Tomar α=0. 4.04 no podemos aceptar la igualdad de medias.Capítulo IX: Introducción a la Inferencia Estadística Asumiendo que la capacidad de las botellas fabricados con cada uno de los equipos tiene una distribución normal y que en ambos casos la varianza es la misma.54 ′ s12 =0.05.158 .8 En un laboratorio de ensayos se evalúa repetidamente y con el mismo equipo de medida el diámetro de un cilindro patrón. después de realizar 9 mediciones del mismo.01.77 ′ s22 =1. ¿podemos admitir que dicha variabilidad. 2. y admitimos que X1≡N(μ1.

3.18 Por lo tanto.0004).00087] 2 Puesto que sn −1 =0.3} Método espectrofotométrico: {4. b) H0(σ2≤σ02) vs H1(σ2>σ02) 2 Aceptamos H0 si sn-1 ≤ 2 2 σ0 ⋅ χn (−α ) 1 (n − 1) 2 2 σ0 ⋅ χn (−α ) 1 (n − 1) 2 Rechazamos H0 si sn -1 > c) H0(σ12=σ22) vs H1(σ12≠σ22) Aceptamos H0 si Rechazamos H0 si 2 (sn1 −1 )mayor 2 (sn 2 −1 )menor 2 (sn1 −1 )mayor 2 (sn 2 −1 )menor ≤ F((nα1)−1). 4. 4.7.3.7} Asumiendo la normalidad de las concentraciones.6.(n 2 −1) 2 donde n1 es tamaño de muestra utilizado para calcular la ( sn1 −1 )mayor y n2 es el tamaño 2 de muestra utilizado para calcular la ( sn 2 −1 )menor. ⎥ (n − 1) ⎦ ⎣ (n − 1) A partir de los datos del enunciado obtenemos que 2 sn −1 =0. 4.1.535 2 1 2 χ n −(1 −α / 2 ) = χ 8 ( 0.9. 0. 4. expresados en gramos por cada 100 gramos de producto.6.(n 2 −1) > F((nα1)−1). 4.3. 4. 4. 4.9 Se pretende comparar la precisión de dos métodos analíticos disponibles para la determinación de la concentración de un complejo proteico en un producto cárnico.975 ) = 2. son los siguientes: Método de referencia: {4. 4.00065 aceptamos la H0.0004) vs H1(σ2≠0. Para ello se evalúa reiteradamente la concentración de dicho complejo proteico en una muestra de mortadela preparada al efecto.025 ) = 17.0.1.00065 2 (α 2 χ n −1 / 2 ) = χ 8 ( 0.1. e identificando la precisión de cada método con la desviación típica σ que presentan sus resultados: IX. Los valores obtenidos. la zona de aceptación de H0 será: [0. Ejemplo IX.3. 4. 4. La zona de aceptación de la hipótesis nula es 2 2( ⎡σ 2 ⋅ χ 2 (1−α 2 ) σ0 ⋅ χ n −α 2 ) ⎤ 2 1 sn -1 ∈ ⎢ 0 n −1 .5. 4.159 .Capítulo IX: Introducción a la Inferencia Estadística SOLUCIÓN: Debemos contrastar las hipótesis H0(σ2=0.000109.8.

podemos aceptar la hipótesis nula establecida.05) =4.137 = 5.6. debemos rechazar la hipótesis de igualdad de varianzas.026 2 Método espectrofotométrico: sn −1 =0.21 Por lo tanto. los test de hipótesis más utilizados para p son: IX.1 ⋅14. b) Ahora debemos contrastar H0(σ2≤σ02) vs H1(σ2>σ02) y aceptar H0 si 2 sn -1 ≤ 2 2( σ0 ⋅ χ n −α ) 1 (n − 1) Buscando en la tabla de la Chi-cuadrado y realizando cálculos: 0.067 = 0.1 (gr/100gr)2 con un nivel de significación del 5%? SOLUCIÓN.269 0. obtenemos que (0 F7.(n2 −1) 1 Realizando los cálculos necesarios: 2 Método de referencia: sn −1 =0.026 Si buscamos en la tabla de la F.137 ≤ 0. 3. tendremos que: a) Las hipótesis a contrastar en este apartado son H0(σ12=σ22) vs H1(σ12≠σ22) y aceptamos H0 si se cumple que 2 (sn1 −1 )mayor 2 (sn2 −1 )menor ( ) ≤ F(nα −1). Suponiendo que se dan las condiciones para que sea aceptable la aproximación de la distribución binomial a la normal. Test de hipótesis sobre la proporción poblacional p de una distribución binomial.Capítulo IX: Introducción a la Inferencia Estadística a) Con un nivel de significación del 5% ¿podemos admitir la igualdad de varianzas de ambos métodos? b) ¿Podemos admitir que la varianza de método espectrofotométrico es menor o igual que 0.137 Entonces: 0.2 7 En consecuencia. Si llamamos σ12 a la varianza de los resultados que se obtienen con el método de referencia y σ22 a la varianza del método espectrofotométrico.160 .

07 z0. SOLUCIÓN: Si llamamos p1 a la proporción de unidades defectuosas de proveedor 1 y p2 a la proporción de unidades defectuosas del proveedor 2.10 Se pretende comparar la calidad de los envíos de dos proveedores de un mismo tipo de repuesto para automóviles.96 IX. Para un nivel de significación del 5% ¿podemos admitir que la calidad de los envíos de ambos proveedores. es la misma?. 06 60 p* = 0. y 60 unidades de un lote del proveedor 2.Capítulo IX: Introducción a la Inferencia Estadística a) H0(p=p0) vs H1(p≠p0) ˆ Aceptamos H0 si p ∈ ⎢p0 ± zα / 2 ⋅ ⎡ ⎢ ⎣ ⎡ p ⋅ (1 − p0 ) ⎤ ˆ p ∉ ⎢p0 ± z α / 2 ⋅ 0 ⎥ n ⎢ ⎥ ⎣ ⎦ p0 ⋅ (1 − p0 ) ⎤ ⎥ n ⎥ ⎦ Rechazamos H0 si b) H0(p≤p0) vs H1(p>p0) ˆ Aceptamos H0 si p ≤ p0 + zα ⋅ ˆ Rechazamos H0 si p > p0 + zα ⋅ p0 ⋅ (1 − p0 ) n p0 ⋅ (1 − p0 ) n c) H0(p1=p2) vs H1(p1≠p2) ˆ ˆ Aceptamos H0 si p1 − p2 ≤ zα 2 ⋅ p * ⋅q * ⋅⎜ + ⎜ ⎛1 1⎞ ⎟ ⎟ ⎝ n1 n2 ⎠ ⎛1 1⎞ ⎟ ⎟ ⎝ n1 n2 ⎠ ˆ ˆ Rechazamos H0 si p1 − p2 > zα 2 ⋅ p * ⋅q * ⋅⎜ + ⎜ con p* = ˆ ˆ n1 ⋅ p1 + n2 ⋅ p2 n1 + n2 y q*=1-p* Ejemplo IX. resultando 3 defectuosas.075 40 ˆ p2 = ) 4 = 0 .161 . las hipótesis a contrastar son: H0(p1=p2) vs H1(p1≠p2) cuya zona de aceptación de H0 es: ⎛1 1 ˆ ˆ p1 − p2 ≤ zα 2 ⋅ p * ⋅q * ⋅⎜ + ⎜n n ⎝ 1 2 ⎞ ⎟ ⎟ ⎠ con p* = ˆ ˆ n1 ⋅ p1 + n2 ⋅ p2 n1 + n2 A partir de los datos del ejercicio. dada por la proporción de unidades defectuosas. resultando 4 defectuosas. obtenemos que ˆ p1 = 3 = 0. Para ello se seleccionan al azar 40 unidades de un lote del proveedor 1.025=1.

Tests de hipótesis no paramétricos Estudiaremos en este apartado dos de los casos más representativos que son: • • los test de bondad de ajuste y las tablas de contingencia IX. En ambos casos. …. xn) independientes de una determinada característica. IX. la zona de aceptación de H0 es ˆ ˆ p1 − p2 ≤ 0. b) Parcialmente especificada. r IX. Por ejemplo. x2. En el caso de que F sea continua. las clases corresponderán a k intervalos disjuntos y si F es la distribución de una variable discreta..1021 ˆ ˆ Puesto que p1 − p2 = 0..3. Corresponde al caso en que solamente se especifica la distribución de probabilidad supuesta pero no sus parámetros característicos.Capítulo IX: Introducción a la Inferencia Estadística Por lo tanto.3. una vez obtenida una muestra X de tamaño n.4. aceptamos la hipótesis de igualdad de calidades. totalmente especificada). las clases suelen corresponderse con los valores posibles de dicha variable o con conjuntos de dichos valores. Es equivalente plantear la hipótesis nula de que la distribución de la variable muestreada es F0. En este caso se especifica la distribución supuesta y sus parámetros característicos. es decir: H0(F=F0) vs H1(F≠F0) Una de las formas de realizar el contraste es mediante el test χ2 de Pearson: se parte de una muestra formada por n observaciones (x1.008 . se formula la hipótesis nula de que procede de una población cuya distribución es Fo (distribución supuesta que puede ser.4. Por ejemplo. Test χ2 de Pearson El objetivo de los tests de bondad de ajuste es verificar si una muestra observada puede proceder de una población que tiene una determinada distribución de probabilidad.162 . ante una muestra dada podemos contrastar la hipótesis de que procede de una distribución normal de media μ y desviación típica σ. o no.1. Dichas observaciones se clasifican en k clases o categorías mutuamente excluyentes. Esta distribución de probabilidad supuesta puede ser: a) Totalmente especificada.Tests de bondad de ajuste. dada una muestra podemos contrastar simplemente si procede de una población con distribución normal.

s es el número de parámetros que es necesario estimar a partir de la muestra.Contraste de hipótesis H0(F=F0) vs H1(F≠F0). Por ejemplo. IX. por tanto. Bajo determinadas condiciones.163 . será necesario estimar sus parámetros a partir de los valores de la muestra obtenida. la media poblacional μ la estimaremos mediante x y la desviación típica poblacional σ la estimaremos mediante sn-1. Distribución del estadístico z cuando H0 es cierta.Capítulo IX: Introducción a la Inferencia Estadística Las n observaciones se distribuirán entre las k clases presentando una frecuencia absoluta Oi de valores en cada una de las clases Ci establecidas. puede demostrarse que si H0 es cierta: z= (O i − t i ) 2 2 = χ k − s −1 ∑ t i =1 i k En la expresión anterior. Si la distribución teórica no está totalmente especificada.3. sus valores serán mayores que los de la χ2 correspondiente. las frecuencias teóricas o esperadas ti de los n valores muestrales en cada una de las clases Ci serían: ti=n·pi donde pi es la probabilidad teórica de las clase Ci que puede calcularse a partir de F0. El estadístico z presentará valores mayores que si fuera cierta la distribución supuesta y. se determina el valor de una χk − s −1 que 2( ) solo tiene una probabilidad α de ser superado (a este valor lo denotaremos por χk −α−1 ) y se s procede del siguiente modo: 2( ) Aceptamos H0 si z ≤ χk −α−1 s 2 (α) Rechazamos H0 si z > χk − s −1 Fz(z) Se acepta H0 Se rechaza H0 α 2( ) χ k −α −1 s z/H0 cierta Figura IX. de modo que se cumplirá: ∑ Oi = n i =1 k A las frecuencias Oi se les denomina frecuencias observadas.. Si la hipótesis establecida H0 no es cierta. Si la distribución de la variable muestreada fuera Fo. 2 En consecuencia. dentro de cada clase o intervalo la frecuencia observada Oi y la frecuencia teórica ti serán muy diferentes. fijado un nivel de significación α.

Capítulo IX: Introducción a la Inferencia Estadística Teniendo en cuenta las aproximaciones que es necesario realizar en el test propuesto.11 Se ha medido la capacidad de 100 envases de vidrio de un determinado formato. La prueba puede aplicarse a cualquier distribución.5] 15 ]752.5) c.5 745.4225 0.5 .1915 0.5 - 6.5 10 ]742.c.5 .0] 7 ]755.98 19.98 0.0] ]745.0] 21 ]750.1915 0. Es conveniente que las clases se definan de manera que las probabilidades teóricas pi de las diferentes clases Ci no sean demasiado diferentes. es conveniente tomar las siguientes precauciones para que sean aceptables los resultados obtenidos: • Las clases o intervalos deben establecerse de modo que las frecuencias absolutas con que se dan dichas clases sean todas ellas iguales o superiores a 5.1498 ti=n·p i ( Oi − t i )2 ti ≤ 742.668 0.5 ]742.0] 16 ]745.1755 0. sea continua o discreta.5] 20 ]747. con un nivel de significación α=0.745.747.0000 IX.05. que la capacidad de dichos envases sigue una distribución N(750.68 9.755.752.c.0 .0 .164 .15 14.) 5 ≤ 742.0 .1498 0.0 747.5] ]747.0919 0.757.750. • • Ejemplo IX.0695 0.5 ¿Puede aceptarse.0714 0.5 .5] 6 > 757. Los resultados obtenidos se encuentran agrupados en la tabla siguiente: Capacidad No de envases (c.0370 0.19 14.? SOLUCIÓN: Construyamos la siguiente tabla: Ci Oi 5 10 16 20 21 15 pi 0. utilizados para el envasado de un producto farmacéutico.15 19.

5 7 6 0.−1 ) = 14. H0(A y B independientes) vs H1(A y B dependientes) La tabla que debe construirse es la siguiente: NIVELES DEL FACTOR B B1 A1 NIVELE S A2 … B2 … Bj … Bm Frecuencias Marginales … O1j … O1m O1• … t1j … t1m … O2j … O2m O2• … t2j … t2m … … … … … O11 t11 O21 t21 … O12 t12 O22 t22 … IX.0692 donde. la conclusión es que no podemos rechazar H0 y debemos aceptar que la capacidad de los envases sigue la distribución propuesta. IX.Capítulo IX: Introducción a la Inferencia Estadística 750. La hipótesis nula que hay que contrastar es que los dos factores A y B son independientes.0 757. Test χ2 Las tablas de contingencia permiten verificar si dos o más variables o factores de clasificación son independientes entre sí.5 755.5219 0. ai+1] los límites del intervalo Ci. Constituyen.2.165 .5] > 757.0] ]755.5] ]752.1 0 Como z<14.0 752.0] ]750.668 9. cada pi se calcula: ⎛ a − 750 ⎞ ⎛ a − 750 ⎞ pi = φ ⎜ i +1 ⎟ −φ ⎜ i ⎟ 5 5 ⎝ ⎠ ⎝ ⎠ A partir de la tabla determinamos el valor de z como z=∑ i =1 8 (Oi − ti )2 ti = 1.19 6. si consideramos ]ai.4.1. una prueba de independencia no paramétrica.Tablas de contigencia. Estudiaremos el caso de dos variables o factores de clasificación.3670 Además : 2 ( 05 χ 8 −0. por lo tanto.0919 0..3.68 0.

O•j . Oij es el número de valores observados en la casilla correspondiente al nivel i del factor A y al nivel j del factor B.. será: ˆ pi • = Oi • n De modo análogo. las probabilidades marginales p•j de cada nivel Bj del factor B se efectuarán mediante: ˆ p• j = O• j n La estimación de la probabilidad conjunta de Ai y Bj.…. será.166 .Capítulo IX: Introducción a la Inferencia Estadística DEL FACTO R A Ai … Ar Oi1 Oi2 … Oij … Oim ti1 ti2 … tij … tim Or1 Or2 … Orj … Orm tr1 tr2 … trj … trm Oi• Or• n Frecuencias O•1 O•2 . será: tij=n·pij Entonces: ˆ ˆ ˆ t ij = n ⋅ pij = n ⋅ pi• ⋅ p• j = n ⋅ Oi • O • j Oi • ⋅ O • j ⋅ = n n n Puede demostrarse.m Si estimamos las probabilidades marginales pi• de cada nivel Ai del factor A mediante la frecuencia relativa con que se presenta Ai en la muestra. a la que hemos llamado pij. tij es la frecuencia teórica (si los factores fueran independientes) correspondientes al nivel i del factor A y al nivel j del factor B. dado que el total de observaciones es n. que si la hipótesis nula es cierta: z= ∑∑ i =1 j =1 r m (O ij − t ij t ij ) 2 ≡ χ(2r −1)(m −1) Nota: IX.…r y j=1.. como en el apartado anterior. Oi• es el total de frecuencias observadas en la fila i y O•j es el total de frecuencias observadas en la columna j.. Si A y B son independientes se cumplirá: pij = P( A i ∩ B j ) = P( A i ) ⋅ P(B j ) = pi ⋅ p j con i=1.. bajo el supuesto de independencia de A y B ˆ ˆ ˆ pij = pi• ⋅ p• j Las frecuencias teóricas de cada intersección de niveles A y B. O•m marginales donde n es el número total de observaciones.

COLOR Blanco Rojo Varones 10 36 Mujeres 20 9 SEXO Azul 14 11 De acuerdo con la tabla anterior.167 .Capítulo IX: Introducción a la Inferencia Estadística Obsérvese que el número de frecuencias a comparar es k=r·m y el número de parámetros a estimar: ˆ (n-1) proporciones pi • (la r-sima proporción se obtiene por 1 − ∑ pi • ) i =1 r −1 ˆ (m-1) proporciones p• j (la m-sima proporción se obtiene por 1 − m −1 i =1 ∑ p• j ) Total de parámetros a estimar: s=(r-1)+(m-1) Luego los grados de libertad de la χ k2− s −1 considerada en el apartado anterior son gl = k − s − 1 = r ⋅ m − (r − 1) − (m − 1) − 1 = (r − 1) ⋅ (m − 1) Con el mismo razonamiento que en el punto anterior deberemos: Aceptar H0 si z ≤ χ(2r(−α1))(m −1) Rechazar H0 si z > χ(2r(−α1))(m −1) Ejemplo IX.V.P. 60 40 100 Recordando que las frecuencias teóricas (si H0 cierta) se calculan mediante la expresión: IX. ¿podemos admitir. que el sexo y el color preferido son independientes a la hora de elegir el coche? SOLUCIÓN: Las hipótesis a contrastar son H0(sexo y color son independientes) vs H1(sexo y color son dependientes) Completemos la tabla de frecuencias observadas: COLOR Rojo Azul 36 14 9 11 45 25 SEXO Blanco O Varones 10 Mujeres 20 30 O•j Oi.12 La siguiente tabla muestra las frecuencias observadas en relación con el color de automóvil preferido y el sexo en una muestra de 100 estudiantes encuestados al azar en la U. con un nivel de significación α=0.05.

.168 ..99 se tiene que: ⋅2 2(0.556 2( ) 2(0. + (11 − 10 )2 10 = 16.Capítulo IX: Introducción a la Inferencia Estadística t ij = Oi • ⋅ O• j n construyamos la tabla de frecuencias teóricas: COLOR Blanco Rojo t Varones 18 27 Mujeres 12 18 SEXO Azul 15 10 El estadístico z será: z = ∑∑ i =1 j =1 2 3 (O ij − t ij ) 2 t ij = (10 − 18 )2 + (36 − 27 )2 18 27 + .05) = χ 2 = 5.05) Como χ(r −α1)(m −1) = χ12(0.05) z > χ2 por lo que debemos rechazar la hipótesis de independencia de los factores considerados y admitir que los gustos respecto al color de los automóviles son diferentes en los varones que en las mujeres. IX.

Capítulo IX: Introducción a la Inferencia Estadística IX.169 .

.

Modelo Teórico..4.Concepto de interacción 2. UN FACTOR CONTROLADO. Hipótesis del modelo.1.Hipótesis nulas 2.5.4..Test F.Hipótesis nula..2.Descomposición de las sumas de cuadrados. 9. 2.Ecuación fundamental.ANÁLISIS DE LA VARIANZA 9.. 5..3. 4.Generalidades. Un factor controlado. DOS FACTORES CONTROLADOS 1. 1.Modelo y supuestos teóricos 2..ANOVA para dos factores con repeticiones 2. 6. 3. 171 ......Introducción. Planes factoriales. ANÁLISIS DE LA VARIANZA (II). Análisis de la varianza (I). 2. Test F. ANÁLISIS DE LA VARIANZA (I).Comparación de medias. Test LSD 9..4.

un mes de almacenamiento. En total existirán en este caso 3x2x3=18 tratamientos diferentes. El objetivo en una experiencia de este tipo sería el analizar cuáles de los tres factores tienen una influencia significativa sobre el grado de corrosión del bote al cabo de. Para cada factor. Tratamiento: combinación de niveles Unidad experimental: Unidad física sobre la que se aplica un tratamiento (bote. etc. se deseará además. pH del líquido de gobierno y temperatura de almacenamiento del bote. Fue desarrollado por Fisher en el 1er tercio del siglo pasado. precisar la naturaleza del mismo. En un estudio sobre corrosión (X) en botes de conservas se desea investigar la influencia al respecto del tipo de hojalata. etc. Los factores a considerar. con lo que constaría en total de 18x5 = 90 botes o unidades experimentales.4. En la terminología clásica del Análisis de la Varianza existen en este caso tres factores: Tipo de hojalata pH Temperatura de conservación cuyos efectos se desean estudiar. pH.). Una experiencia podría consistir en preparar 5 botes (repeticiones) con cada uno de los 18 tratamientos posibles. Variantes o niveles: valores que pueden tomar los factores. Los factores pueden ser cuantitativos. Así por ejemplo: Factor tipo de hojalata (cualitativo): Se desean estudiar tres tipos distintos A.1.GENERALIDADES Bajo el nombre de Análisis de la Varianza se conocen un conjunto de métodos estadísticos aplicables en general al análisis de observaciones que dependen simultáneamente de varios factores.9.). se considerarán en el estudio diferentes niveles (si el factor es cuantitativo) o variantes (si el factor es cualitativo). En aquéllos factores cuyo efecto sea significativo. y que se presume pueden influir sobre la respuesta. A cada combinación de variantes de los diferentes factores se le denomina tratamiento.. parcela. cuando sus niveles corresponden a valores medibles (temperatura. B y C (3 variantes). variedad. son aquéllos que podemos realmente controlar fijando a voluntad sus niveles (factores controlados). por ejemplo un tratamiento será: bote hojalata tipo B con pH del líquido de gobierno 4'5 almacenado a 15º C. determinando. que variantes difieren significativamente entre sí * Resumen: X : variable a estudiar o respuesta (grado de corrosión en el ejemplo). pH. Factor pH (cuantitativo): Se estudiarán conservas a pH 4'5 y pH 5'5 (2 niveles). animal de ensayo etc. Factores: posibles causas controlables que pueden ser fuente de variabilidad en la respuesta (tipo de hojalata. Un ejemplo servirá para ilustrar un problema típico de aplicación de estos métodos. 15º C y 30º C (3 niveles). por ejemplo.) o cualitativos en otro caso (tipo de hojalata. Factor temperatura de almacenamiento (factor cuantitativo): Se almacenarán los botes a 0º C.) 172 . método de fabricación etc. temperatura.

Siendo μi = Ε(Xij) el valor medio poblacional correspondiente a dicha variante. Sea Xij la j-ava observación (j = 1.σ) (X11……X1J) i N(μi. La técnica de análisis consiste. Inicialmente desarrollaremos la teoría básica del Análisis de la Varianza en el caso más sencillo de un solo factor controlado.σ) (XI1……XIJ) Como veremos a continuación. 9. en general. nuestras hipótesis sobre el modelo implican que cada una de estas poblaciones tiene una distribución N(μi. que se desean comparar I variantes distintas de un determinado proceso industrial. por ejemplo.. Los métodos del Análisis de la Varianza.X)2 con N -1 grados de libertad. Vemos por tanto que el problema que tenemos no es más que la generalización a I medias del problema de comparación de dos medias visto en un tema anterior. HIPÓTESIS DEL MODELO Consideremos. Variante Población Muestra 1 N(μ1. relativos a los diferentes factores en estudio y al error experimental.J) correspondiente a la i-ava variante del factor (i = 1. con sus correspondientes grados de libertad.. asumen la existencia de un modelo probabilístico que explica los resultados observados en función de un conjunto de parámetros desconocidos relativos a los efectos de los diferentes factores en estudio y de una perturbación aleatoria. en cuyo caso el modelo se denomina EQUILIBRADO). De cada variante se hacen J pruebas cuyos resultados podemos considerar como una muestra aleatoria simple extraída de la población de posibles resultados que podrían obtenerse con dicha variante..2. dejando para más adelante la generalización al caso de varios factores. o numero de veces que se repite la experiencia bajo las mismas condiciones.MODELO TEÓRICO.. en un conjunto de términos independientes. en descomponer la variabilidad total del conjunto de las observaciones expresada por la suma de cuadrados global Σ(Xijk . La comparación de cada uno de estos términos con el correspondiente a la perturbación aleatoria residual (ó error). se tendrá: Xij = μi + εij (1) 173 εi . permite contrastar la significación de los factores estudiados. Sea I el número de niveles del factor y J el número de observaciones para cada una de las variantes (supondremos que dicho número es el mismo para todas las variantes.. y la hipótesis nula a contrastar es H0: μ1 = μ2 …= μI.I).4.σ).σ) (X21……X2J) I N(μI.- Repeticiones: número de veces que se aplica un mismo tratamiento (sobre diferentes unidades experimentales) en una misma experiencia.

Evidentemente.donde εjj es una perturbación aleatoria que origina las diferencias existentes entre las observaciones μi Xij de una misma variante o tratamiento. el modelo teórico puede formularse como sigue Xij = μ + αi + εI Con Σαi = 0 αi μ εij μi Xij X Donde Xjj = j-ava observación de la variante i del factor μ = promedio general αi = efecto específico de la variante i del factor 174 . es decir.Iμ = 0 Como μi = μ + αi. además. de la homogeneidad de las varianzas en los diferentes grupos o variantes. Esta hipótesis hace necesaria la comprobación previa.σ2 I) Las hipótesis b) y c) implican la independencia de los residuos.εi’j’) = 0 si i≠i' y/o j≠j'. j no dependiendo por tanto de la variante i considerada. negativo o nulo) de la variante i del factor. se verifica Σαi = Σ(μi . El modelo teórico anterior puede formularse de una forma alternativa que resulta aconsejable por su más fácil generalización al caso de varios factores. todos los residuos están mutuamente incorrelacionados. Sea μ = Σμi /I el promedio de los valores medios de las diferentes variantes αi=μi . mediante el test de Bartlett u otros similares.μ) = Σμi . las siguientes hipótesis: a) Homocedasticidad: σ2ij = σ2 (εij) = σ2 ∀ i. además Ε(εij) =0 Con respecto a los residuos εij se harán. αi mide por lo tanto el efecto específico (positivo.μ es la diferencia entre la media de la variante i y el promedio general. b) Incorrelación: Cov (εij. c) Normalidad: los IxJ residuos εij tienen una distribución conjunta normal multivariante ε ≡ N(0.

HIPÓTESIS NULA La hipótesis nula a contrastar es que el factor no influye sobre la respuesta..4. JΣ (Xi-X. = αI = 0 ∀ αi = 0 9.ECUACIÓN FUNDAMENTAL Llamando X..) 2 SCT SCF SCR • Σ(Xij – X.4. = Σ ij X ij IJ media general de todas las observaciones Xi. ∑ ij ( X ij − X.) 2 = J ∑ ( X .)2 se le denomina Suma de Cuadrados Total (SCT) pues mide la variabilidad total del conjunto de las I x J observaciones. que todos los niveles tienen la misma media Ho : μ1 = μ2 = μ3 … = μI = μ H1 : ∃ μi ≠ μj Estas hipótesis son equivalentes a contrastar H0 : ∀αi = 0 H1 : ∃ αi ≠ 0 ya que sustituyendo μi por μ + αi Ho : μ + α1 = μ + α2 = μ + α3 = … = μ + αI = μ α1 = α2 = α3 = ….4. es decir..3..) +∑ 2 i i ij ( X ij − X i . Mide la parte de la variabilidad total debida o explicada por el factor..σ) e independientes entre sí. 9. • 175 . − X. = Σ i X ij J media de la variante i La ECUACIÓN FUNDAMENTAL del Análisis de la varianza muestra la descomposición de la variabilidad total de la variable respuesta estudiada..)2 se denomina Suma de Cuadrados debida al factor(SCF) pues mide la magnitud de las desviaciones de la media de cada variante a la media general..εij = residuos N (0.

TEST F Si a las sumas de cuadrados anteriores ( SCF y SCR ) las dividimos por sus grados de libertad correspondientes ( (I-1) e I(J-1) respectivamente) obtenemos los cuadrados medios CMF y CMR. etc. La forma de operar consiste en general. En el test de Tuckey se propone como L. por tanto.D. y éste es cualitativo. TEST L.S.I( J −1) para I la probabilidad de error de 1ª especie α considerado. 9. si la variabilidad residual es pequeña. la debida a causas aleatorias (error experimental. j difieren significativamente si |Xi.| > DMS. Mide la parte de variabilidad total existente en las observaciones no explicada por el factor. e/1 test no suficiente potencia para detectarlas. puede dar como significativas diferencias que en la práctica carezcan de importancia. Rechazar H0 equivale a aceptar con un nivel de significación α. 9.S. es decir.)2 se denomina Suma de Cuadrados Residual pues se basa en las desviaciones de cada observación respecto a la media de la variante respectiva.COMPARACIÓN DE MEDIAS. Nota: En la determinación de la significación del efecto de un factor .4. I ( I −1) CMR La hipótesis nula ∀α i = 0 se contrastará. Esta regla es equivalente a rechazar H0 si el pvalor correspondiente al Fc calculado es menor que α. J = nº de observaciones en cada variante (en general. en la determinación de la significación de la diferencia entre dos medias -. Se demuestra que si la hipótesis nula es cierta ∀α i = 0 CMF ≡ F( I −1). simplemente.D.-Xj. en calcular una "diferencia mínima significativa" (DMS) tal que dos variantes i. b) si el análisis no da como significativas determinadas diferencias no quiere decir que éstas no existan sino que... que el factor influye en la respuesta estudiada. nº de datos con que se ha calculado cada una de las medias a comparar). otros factores no estudiados.o su equivalente. (diferencia mínima significativa) Si el test F pone de manifiesto la existencia de un efecto significativo del factor. resulta procedente estudiar entre qué variantes del factor son significativas las diferencias αi .6.αi’.).• Σ(Xij-Xi. ó DMS DMS = QIα( J−1) . debemos hacer notar: a) que el hecho de que las diferencias sean significativas no implica que las diferencias sean necesariamente importantes. calculando a partir de las observaciones el estadístico CMF/CMR = Fc y rechazándola si este es mayor que el valor en tablas de F(α−1).5. El análisis de la varianza.I CMR J I = nº de niveles del factor (en general nº de medias a comparar). Este hecho tiene especial importancia cuando intentamos interpretar el por qué algunas veces a pesar de obtener 176 .4.

0 MAT PRIMA 3 5.1 4.0 6. Los resultados fueron: MAT PRIMA 1 6.0 6.2 6.0 6.0 MAT PRIMA 2 6. éstas no llegan a ser significativas.I( J −1) I Cuadrado medio F calculada F tablas EJEMPLO: Se desea estudiar la influencia de la materia prima sobre la resistencia de unas piezas de plástico.2 5.5 6.0 5.5 Cuadro resumen del Análisis de la Varianza ----------------------------------------------------------------------------Fuente SC gl CM F calc P-Valor 177 . Con cada materia prima se fabricaron cinco piezas midiéndose finalmente la resistencia en cada una de las veinte piezas fabricadas.8 6.en la práctica diferencias importantes entre las medias.0 6.1 5. Los resultados obtenidos se reflejan en el siguiente CUADRO RESUMEN DEL ANÁLISIS DE LA VARIANZA Grados Origen de Suma de de la varianza cuadrados libertad TOTAL FACTOR ERROR SCT SCF SCR IJ-1 I-1 I(J-1) CMF = CMR = SCF I−1 SCR I(J − 1) CMF CMR F(α−1). Para ello se realizaron experiencias utilizando cuatro materias primas diferentes.2 4.2 6. Lo que habría que hacer en este caso es aumentar el tamaño de la experiencia o reducir el error experimental (disminuir el CMR) aumentando la homogeneidad del material experimental o utilizando un diseño más adecuado.9 6.6 4.9 6.8 MAT PRIMA 4 5.

0000 Residual 1.98 X M.P.01. 2 5 6.30 X Observamos que solo la cuarta materia prima da lugar a una resistencia media estadísticamente diferente a las demás siendo menor en valor que el resto 178 . Esta afirmación es equivalente a decir que la “materia prima” utilizada influye sobre la resistencia de las piezas de plástico con un nivel de significación del 99%.073 ----------------------------------------------------------------------------Total 9. En el apartado siguiente analizaremos cuál o cuáles de las variantes de la materia prima son diferentes en cuanto a su resistencia promedio.64067 36.P.P.04 X M. 1 5 6. existen diferencias estadísticamente significativas al nivel del 99% de confianza entre las medias de las cuatro materias primas.168 16 0.P. Tests de rangos Repeticiones Media Grupos diferentes -------------------------------------------------------------------------------M.68 X M. 4 5 4.----------------------------------------------------------------------------Factor 7.922 3 2.09 19 Dado que el P-Valor es menor que 0. 3 5 5.17 0.

ANOVA PARA DOS FACTORES CON REPETICIONES Utilizaremos como diseño base para el estudio de este apartado.Concepto de Interacción Se dice que hay interacción entre dos factores si el efecto conjunto de la variante i de uno de ellos con la j del otro.5.5.1. Vamos a considerar algunos ejemplos representativos.1. 9.2. PH2 y pH3) 179 . BJ A1 A2 A3 Ai = = = = AI = = = = 9.2.5.9. PLANES FACTORIALES. 9. (Efectos no aditivos). PLANES FACTORIALES. Los utilizaremos en este tema como diseño base para desarrollar las técnicas del Análisis de la Varianza para dos factores. Constituyen un diseño especial para el estudio simultáneo de dos o más factores en el que todos los niveles de todos los factores se combinan entre sí. Apoyándonos en los conceptos y terminología expuestos en el apartado anterior.5. el siguiente diseño factorial FACTOR B FACTOR A B1 =⎬n = = = B2 =⎬n = = = Bj = = = =⎬ n Xijk.. También se dice que existe interacción entre dos factores cuando el efecto de uno de ellos depende del nivel que consideremos en el otro. De manera similar a la anterior. a) Consideremos el ejemplo de la corrosión de los botes de hojalata en el que contemplamos dos factores: Factor tipo de hojalata (hojalata A y hojalata B) y Factor pH (pH1. no es igual a la suma de los efectos simples respectivos..INTRODUCCIÓN. se dice que no existe interacción entre dos factores cuando el incremento en la respuesta (+ ó -) al pasar de un nivel a otro de uno de los factores.. Solamente desarrollaremos en profundidad aquellos conceptos que sean nuevos y propios del presente capitulo. vamos a desarrollar este apartado de forma esquemática. Dos factores controlados. es el mismo en cualquiera de los niveles que podamos considerar del otro factor. Análisis de la varianza (II).

a los 5 días. pasteurizado. Grado de corrosión En este caso. Así. Obsérvese que en este caso no tiene sentido preguntarse que hojalata es más resistente si no se especifica cual va a ser el pH a emplear en la conserva. esterilizado) a través del tiempo (recién preparado. b) Consideremos ahora la calidad organoléptica de tres zumos de naranja (natural. 180 . y a mayor pH menor corrosión) pero no hay interacción entre ellos. el efecto del factor hojalata depende del valor del pH que consideremos. a pH intermedio el grado de corrosión es el mismo y a pH alto presenta menor corrosión la hojalata B.Grado de corrosión En este primer caso. En este caso influyen los dos factores (hojalata A mayor corrosión que la B. LA DIFERENCIA ENTRE UNA Y OTRA HOJALATA ES LA MISMA PARA CUALQUIER pH. además. la hojalata A presenta mayor corrosión que la hojalata B y. cualquiera que sea el pH. a pH bajo presenta menor corrosión la hojalata B. a los 15 días) conservados a temperatura constante.

respectivos.2.5.Obtenga el lector sus propias conclusiones ¿Hay interacción? ¿Por qué? ¿Qué zumo es mejor? ¿Se comportan igual los tres zumos? ¿Influye el tiempo de conservación en la calidad? ¿Cómo? 9. j.2. μ = promedio general αi = efecto específico de la variante i del 1er factor βj = efecto específico de la variante j del 2º factor (αβ)ij = efecto de la interacción entre los factores en sus niveles i. σ 2 ) ⎬ independientes e incorrelacionados 181 ..Modelo y supuestos teóricos El modelo teórico completo es Xijk = μ + α i + β j + (αβ)ij + ε ijk donde Xijk = valor de la K.ésima observación en el tratamiento formado por la variante i del primer factor con la variante j del segundo. εijk = residuo aleatorio ∑α i i =0 ∑β j j =0 ∑ (αβ) i ij =0 ∑ (αβ) j ij =0 Supuestos: Ε(ε ijk ) = 0 ε ijk ≡ N(0.

de producto obtenido con la misma cantidad de materia prima en 1 hora. ó DMS α DMS = Q a.5.1) SCF1 (I .) + ∑ ( X − X )2 i..S.Descomposición de las Sumas de Cuadrados.3.D.)2 + N∑ ( X − X.Hipótesis Nulas Las hipótesis nulas a contrastar son la ausencia de efecto sobre la respuesta de cada uno de los factores así como la ausencia de interacción entre ellos H0: ∀α i = 0 ∀β j = 0 ∀( αβ )ij = 0 H1: ∀α i ≠ 0 ∀β j ≠ 0 ∀(αβ)ij ≠ 0 9.dosis x método se realizaron tres experiencias. b = nº de datos con que se calculó cada una de las medias anteriores.. .5..9.tratamientos .5.2..1) SCF2 (J .) 182 . Con cada una de las 8 combinaciones . j. Test F La variabilidad total de las observaciones se descompone de la siguiente forma similar al ANOVA de un factor ∑ ( Xijk − X. se recogen en la tabla siguiente: Dosis de catalizador (mg.Comparación de Medias. − X + X. j...5.. Si algún factor resulta significativo podrá determinarse entre que variantes hay diferencias significativas comparando la diferencia de medias con la L..)2 ijk = JN∑ ( X − X. expresados en gr. i j ij ijk SCT (IJN ..GLR significativo al nivel α ≤ FGLF .1) ⇒ gl La significación de cada factor se obtiene calculando el cociente SCF GLF CMF Fc = = SCR GLR CMR α > FGLF . Los resultados. ij. Test L..2.)2 + IN∑ ( X − X. se ensayaron 4 dosis de catalizador. Ejemplo: En una experiencia para analizar la influencia de un nuevo catalizador en dos métodos A y B de síntesis de un producto orgánico. .1) SCR IJ(N . ijk ij.4.glr CMR b a = nº de medias a comparar entre si (nº de variantes del factor).GLR No significativo α 9.D.S.1)(J ..1) SCint (I ..2..

Método/Do sis A 0’75 68 60 62 60 45 66 1 91 75 86 72 71 60 1’25 90 98 94 64 75 70 1’50 105 95 99 48 55 50 B Solución El modelo es: Xijk = μ + α i + β j + (αβ)ij + ε ijk ∑α = 0 ∑β = 0 ∑ (αβ) = 0 ∑ (αβ) = 0 i j ij i ij j ε ijk = N(0. Cuadro resumen del análisis de la varianza O. Total Catalizador Método Interacción CxM Error 1469’13 660’66 3 16 0'01 489’71 11’86 > F3'16 = 5'29 * * SC 7096’96 1535’13 3432’04 GL 23 3 1 CM Fc Ft 0'01 511’71 12’39 > F3'16 = 5'29 * * '01 3432’04 83’12 > F1016 = 8'53 * * ' 41’29 Son significativos todos los efectos al 99 % (p < 0'01) 183 . σ) independientes.V.

Por ello seria conveniente la utilización del catalizador sólo en el método A. La concentración de 1'50. que con el método A da el rendimiento promedio máximo (99'67 gr). un rendimiento mayor que el método B. Luego habrá que estudiar el efecto del catalizador en cada uno de los métodos.50 metodo A B rendimiento dosis a) La interacción es significativa. el método A presenta para cada concentración del catalizador. y preferiblemente. con el método B da el mínimo rendimiento promedio (51 gr).75 1 1. a la dosis máxima. luego no existe una concentración de catalizador óptima. 184 . b) No obstante.25 1.Interpretación de Resultados Interaction Plot 101 91 81 71 61 51 0.

185 .

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->